【技术实现步骤摘要】
基于深度学习的未知物质急性毒性预测方法、系统及设备
[0001]本专利技术涉及物质毒性检测
,特别是涉及一种基于深度学习的未知物质急性毒性预测方法
、
系统及设备
。
技术介绍
[0002]源毒物的毒性预测是突发化学中毒事故应急救援方案制定的重要参考依据,可以通过对事故现场毒源物质的预测,实现对现场伤亡人员的临床救治以及对现场环境的污染处置
。
[0003]计算毒理学技术是一种基于计算化学
、
生物信息学和系统生物学等原理构建计算机模型的方法,可在体外根据对已有数据的挖掘与分析实现化学物质的结构
、
特性
、
效应等的预测,可避免传统的实验手段获取相关信息时面临的成本高
、
耗时长
、
违背动物伦理等问题
。
但是此方法存在预测效率低和预测精度低的缺陷
。
技术实现思路
[0004]本专利技术的目的是提供一种基于深度学习的未知物质急性毒性预测方法
、
系统及设备,能够高精度高效率预测目标区域化学物质以及该化学物质的急性毒性程度
。
[0005]为实现上述目的,本专利技术提供了如下方案:
[0006]第一方面,本专利技术提供了一种基于深度学习的未知物质急性毒性预测方法,包括:
[0007]获取目标区域内化学物质的
CANONICALSMILES
码,并将目标区域内化学物质的
CANON ...
【技术保护点】
【技术特征摘要】
1.
一种基于深度学习的未知物质急性毒性预测方法,其特征在于,包括:获取目标区域内化学物质的
CANONICAL SMILES
码,并将目标区域内化学物质的
CANONICAL SMILES
码编码成目标区域内化学物质的
DGL
图;将目标区域内化学物质的
DGL
图输入至未知物质急性毒性预测模型中,得到目标区域内化学物质的种类以及每种化学物质的急性毒性程度;所述未知物质急性毒性预测模型是根据改进的图注意力网络模型确定的;改进的图注意力网络模型包括输入层
、
特征提取层
、
隐含层
、
池化层以及线性分类层;其中,所述隐含层的注意力机制为基于面向图节点分类任务的
SuperGAT
的注意力机制
。2.
根据权利要求1所述的一种基于深度学习的未知物质急性毒性预测方法,其特征在于,所述未知物质急性毒性预测模型的确定过程为:构建样本数据集合;所述样本数据集合包括多个样本数据;所述样本数据包括输入数据以及所述输入数据对应的标签数据;所述输入数据为样本区域内化学物质的
DGL
图,所述标签数据为样本区域内化学物质的种类以及每种化学物质的急性毒性程度;构建改进的图注意力网络模型;采用样本数据训练改进的图注意力网络模型,并采用反向传播迭代方式,调整改进的图注意力网络模型的网络参数,以使训练后的改进的图注意力网络模型的损失值小于设定阈值,得到训练好的改进的图注意力网络模型;其中,训练好的改进的图注意力网络模型为未知物质急性毒性预测模型
。3.
根据权利要求2所述的一种基于深度学习的未知物质急性毒性预测方法,其特征在于,构建样本数据集合,具体包括:获取多个样本区域内的化学物质的
CANONICAL SMILES
码
、
以及对应的化学物质种类和化学物质急性毒性程度;将每个样本区域内化学物质的
CANONICAL SMILES
码编码成样本区域内化学物质的
DGL
图;根据多个样本区域内的化学物质的
DGL
图
、
以及对应的化学物质种类和化学物质急性毒性程度,构建样本数据集合
。4.
根据权利要求1或者2所述的一种基于深度学习的未知物质急性毒性预测方法,其特征在于,所述特征提取层为图同构网络
。5.
根据...
【专利技术属性】
技术研发人员:张晓迪,任晓婷,刘瑞,吴昊,王钊,海春旭,
申请(专利权)人:中国人民解放军空军军医大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。