分子属性的预测方法、装置、设备及可读存储介质制造方法及图纸

本申请公开了一种分子属性的预测方法、装置、设备及可读存储介质，涉及机器学习领域。该方法包括：获取目标分子的分子结构数据；基于分子结构数据创建与目标分子对应的第一图结构；提取第一图结构的结构特征表示作为目标分子对应的特征表示；对第一图结构的结构特征表示进行预测，得到目标分子对应的属性预测结果。通过构建与目标分子对应的图结构，从而以图结构表达目标分子的分子结构形态，利用图神经网络，准确通过分子结构信息预测有机分子在NIR

【技术实现步骤摘要】
分子属性的预测方法、装置、设备及可读存储介质


[0001]本申请实施例涉及机器学习领域，特别涉及一种分子属性的预测方法、装置、设备及可读存储介质。

技术介绍

[0002]基于荧光探针的近红外成像技术在医学诊断和治疗中已有广泛的应用。由于第二近红外(NIR
‑
II)荧光的各项优势，比如低光吸收以及和生物荧光无重叠，NIR
‑
II有机荧光分子可以展示出更好的分辨率和更好的信噪比，从而达到更好的成像质量。
[0003]相关技术中，实验经验指导，对已知具有NIR
‑
II区域发射荧光的有机分子进行小的修饰，例如：增加共轭链长度，替换主要官能团内某些原子来发现新的NIR
‑
II区域发射荧光的分子。
[0004]然而，上述方式在发现新的NIR
‑
II区域发射荧光的分子时，能够发现的分子数量有限，且费时费力，分子发现过程的效率较低。

技术实现思路

[0005]本申请实施例提供了一种分子属性的预测方法、装置、设备及可读存储介质，能够提高分子属性预测的成功率和效率。所述技术方案如下：
[0006]一方面，提供了一种分子属性的预测方法，所述方法包括：
[0007]获取目标分子的分子结构数据，所述分子结构数据用于指示所述目标分子的化学式；
[0008]基于所述分子结构数据创建与所述目标分子对应的第一图结构，所述第一图结构中包括第一节点和第一边，其中，所述第一节点对应所述目标分子中的原子，所述第一边对应所述目标分子中原子之间的键的性质；
[0009]提取所述第一图结构的结构特征表示作为所述目标分子对应的特征表示；
[0010]对所述第一图结构的结构特征表示进行预测，得到所述目标分子对应的属性预测结果，所述属性预测结果用于指示所述目标分子的性质。
[0011]另一方面，提供了一种分子属性的预测装置，所述装置包括：
[0012]获取模块，用于获取目标分子的分子结构数据，所述分子结构数据用于指示所述目标分子的化学式；
[0013]创建模块，用于基于所述分子结构数据创建与所述目标分子对应的第一图结构，所述第一图结构中包括第一节点和第一边，其中，所述第一节点对应所述目标分子中的原子，所述第一边对应所述目标分子中原子之间的键的性质；
[0014]提取模块，用于提取所述第一图结构的结构特征表示作为所述目标分子对应的特征表示；
[0015]预测模块，用于对所述第一图结构的结构特征表示进行预测，得到所述目标分子对应的属性预测结果，所述属性预测结果用于指示所述目标分子的性质。
[0016]另一方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一段程序，所述至少一段程序由所述处理器加载并执行以实现如上述本申请实施例中任一所述的分子属性的预测方法。
[0017]另一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上述本申请实施例中任一所述的分子属性的预测方法。
[0018]另一方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述实施例中任一所述的分子属性的预测方法。
[0019]本申请实施例提供的技术方案带来的有益效果至少包括：
[0020]通过构建与目标分子对应的图结构，从而以图结构表达目标分子的分子结构形态，利用图神经网络，准确通过分子结构信息预测有机分子在NIR
‑
II区的发射峰位置，快速且准确地筛选潜在的具有在NIR
‑
II区域荧光性质的有机分子并用于实验，避免人工筛选而耗费大量的人力物力，效率较低的问题。
附图说明
[0021]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0022]图1是本申请一个示例性实施例提供的分子属性预测过程的示意图；
[0023]图2是本申请一个示例性实施例提供的实施环境示意图；
[0024]图3是本申请一个示例性实施例提供的分子属性的预测方法的流程图；
[0025]图4是基于图3示出的实施例提供的分子结构数据获取方式示意图；
[0026]图5是本申请另一个示例性实施例提供的分子属性的预测方法的流程图；
[0027]图6是本申请另一个示例性实施例提供的分子属性的预测方法的流程图；
[0028]图7是基于图6示出的实施例提供的属性预测模型的训练过程示意图；
[0029]图8是本申请一个示例性实施例提供的分子属性的预测装置的结构框图；
[0030]图9是本申请另一个示例性实施例提供的分子属性的预测装置的结构框图；
[0031]图10是本申请一个示例性实施例提供的计算机设备的结构示意图。
具体实施方式
[0032]为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
[0033]首先，针对本申请实施例中涉及的名词进行简单介绍：
[0034]人工智能(Artificial Intelligence，AI)：是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理
论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
[0035]人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
[0036]随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。本申请实施例中，主要涉及图神经网络处理技术，在化学领域，以图神经网络构建与有机分子对应的图结构，从而基于图结构进行有机分子荧光区域的分析，得到本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种分子属性的预测方法，其特征在于，所述方法包括：获取目标分子的分子结构数据，所述分子结构数据用于指示所述目标分子的化学式；基于所述分子结构数据创建与所述目标分子对应的第一图结构，所述第一图结构中包括第一节点和第一边，其中，所述第一节点对应所述目标分子中的原子，所述第一边对应所述目标分子中原子之间的键的性质；提取所述第一图结构的结构特征表示作为所述目标分子对应的特征表示；对所述第一图结构的结构特征表示进行预测，得到所述目标分子对应的属性预测结果，所述属性预测结果用于指示所述目标分子的性质。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取目标溶剂的溶剂结构数据，所述溶剂结构数据用于指示所述目标溶剂的化学式；基于所述溶剂结构数据创建与所述目标溶剂对应的第二图结构，所述第二图结构中包括第二节点和第二边，其中，所述第二节点对应所述目标溶剂中的原子，所述第二边对应所述目标溶剂中原子之间的键的性质；提取所述第二图结构的结构特征表示作为所述目标溶剂对应的特征表示；所述对所述第一图结构的结构特征表示进行预测，得到所述目标分子对应的属性预测结果，包括：对所述第一图结构的结构特征表示和所述第二图结构的结构特征表示进行预测，得到所述目标分子在所述目标溶剂下的属性预测结果。3.根据权利要求2所述的方法，其特征在于，所述对所述第一图结构的结构特征表示和所述第二图结构的结构特征表示进行预测，得到所述目标分子在所述目标溶剂下的属性预测结果，包括：将所述第一图结构的结构特征表示和所述第二图结构的结构特征表示连接，得到待预测特征表示；对所述待预测特征表示进行性质预测分析，得到所述目标分子在所述目标溶剂下的属性预测结果。4.根据权利要求1所述的方法，其特征在于，所述基于所述分子结构数据创建与所述目标分子对应的第一图结构，包括：获取所述目标分子中原子的原子属性信息；基于所述原子属性信息创建所述第一节点，所述第一节点的节点属性用于指示所述原子属性信息；基于所述目标分子中原子的键的性质建立所述第一节点之间的连接关系作为所述第一边，得到所述第一图结构。5.根据权利要求4所述的方法，其特征在于，所述原子属性信息中包括所述原子的序数信息和原子的手性信息；所述原子的键的性质包括键的种类和键的方向。6.根据权利要求1至5任一所述的方法，其特征在于，所述对所述第一图结构的结构特征表示进行预测，得到所述目标分子对应的属性预测结果，包括：将所述第一图结构的结构特征表示输入属性预测模型的预测网络，所述属性预测模型为预先训练的用于进行属性预测的神经网络模型；
通过所述预测网络对所述第一图结构的结构特征表示进行属性预测，得到所述目标分子对应的属性预测结果。7.根据权利要求6所述的方法...

【专利技术属性】
技术研发人员：韩博文，郝少刚，张胜誉，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：