一种分子图输出方法及装置制造方法及图纸

本申请提供了一种分子图输出方法及装置。所述方法包括：获取化学分子SMILES；将化学分子SMILES拆分成分子子结构；将化学分子SMILES和分子子结构输入至预先构建的分子性质预测模型；调用分子性质预测模型对化学分子SMILES进行处理，得到化学分子SMILES的无掩盖预测值，并对分子子结构依次进行掩盖处理，得到掩盖不同分子子结构的掩盖预测值；基于无掩盖预测值和掩盖预测值，输出化学分子SMILES对应的不同子结构贡献的分子图。本申请可以计算出每个子结构对性质的贡献值，提供可解释性。提供可解释性。提供可解释性。

【技术实现步骤摘要】
一种分子图输出方法及装置


[0001]本申请涉及人工智能
，特别是涉及一种分子图输出方法及装置。

技术介绍

[0002]在新药研发过程中，候选药物除了要表现出足够强的活性以外，还需要满足合理的ADMET(药物的吸收，分配，代谢)性质。实验方法测量分子的ADMET性质存在着耗时耗力的缺点，分子性质预测模型由于其绿色，便宜，快速的特点，在新药研发中取得了广泛的应用。近年来，图神经网络由于其能自动从分子结构中提取信息，在分子性质预测领域取得了极大的成功。大量高精度的基于分子图的模型得以构建，并成功应用于解释分子性质。然而，在药物发现中，简单的预测结果是不够的，化学家们希望能通过模型来挖掘背后潜在的分子结构与性质之间的关系。事实上，一些药物化学研究人员可能会更重视模型的可解释性而不是其精度(如果对精度的微小牺牲可以提高其可解释性)。近年来，许多可解释的人工智能(XAI)方法被提出用以解决分子性质预测模型中普遍缺乏可解释性的问题，以帮助人类进行推理和决策。
[0003]然而，大多数方法基本上将预测模型归因于单个节点，边或节点特征。这种可解释本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种分子图输出方法，其特征在于，所述方法包括：获取化学分子SMILES；将所述化学分子SMILES拆分成分子子结构；将所述化学分子SMILES和所述分子子结构输入至预先构建的分子性质预测模型；调用所述分子性质预测模型对所述化学分子SMILES进行处理，得到所述化学分子SMILES的无掩盖预测值，并对所述分子子结构依次进行掩盖处理，得到掩盖不同分子子结构的掩盖预测值；基于所述无掩盖预测值和所述掩盖预测值，输出所述化学分子SMILES对应的不同子结构贡献的分子图。2.根据权利要求1所述的方法，其特征在于，所述分子子结构包括官能团、Brics子结构和Murcko子结构中的一种或多种。3.根据权利要求1所述的方法，其特征在于，在所述将所述化学分子SMILES和所述分子子结构输入至预先构建的分子性质预测模型之前，还包括：获取N个图卷积神经网络，N为大于1的正整数；将所述N个图卷积神经网络并联，生成所述分子性质预测模型。4.根据权利要求3所述的方法，其特征在于，所述调用所述分子性质预测模型对所述化学分子SMILES进行处理，得到所述化学分子SMILES的无掩盖预测值，并对所述分子子结构依次进行掩盖处理，得到掩盖不同分子子结构的掩盖预测值，包括：调用N个所述图卷积神经网络分别对所述化学分子SMILES进行处理，得到所述化学分子SMILES对应的初始无掩盖预测值，并根据N个所述初始无掩盖预测值，确定所述化学分子SMILES的无掩盖预测值；调用N个所述图卷积神经网络对所述分子子结构依次进行掩盖处理，得到掩盖不同子结构的N个初始掩盖预测值，并根据N个所述初始掩盖预测值，确定掩盖不同分子子结构的掩盖预测值。5.根据权利要求4所述的方法，其特征在于，所述根据N个所述初始无掩盖预测值，确定所述化学分子SMILES的无掩盖预测值，包括：获取N个所述初始无掩盖预测值的平均值，并将该平均值作为所述化学分子SMILES的无掩盖预测值。6.根据权利要求4所述的方法，其特征在于，所述...

【专利技术属性】
技术研发人员：吴振兴，康玉，侯廷军，谢昌谕，曹东升，邓亚峰，施慧，
申请(专利权)人：浙江大学，
类型：发明
国别省市：