基于深度学习的未知物质急性毒性预测方法技术

本发明专利技术公开了一种基于深度学习的未知物质急性毒性预测方法

【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
CANONICALSMILES
码编码成目标区域内化学物质的
DGL
图；
[0008]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；
[0009]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
。
[0010]第二方面，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系统，包括：
[0011]目标区域参数获取模块，用于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
CANONICAL SMILES
码编码成目标区域内化学物质的
DGL
图；
[0012]化学物质急性毒性预测模块，用于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；
[0013]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
。
[0014]第三方面，本专利技术提供了一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据第一方面所述
的基于深度学习的未知物质急性毒性预测方法
。
[0015]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0016]本专利技术结合计算毒理学和深度学习技术研究一种基于现有实验测定毒性终点指标实现对未知物质的毒性进行预测的替代方法，能够不断丰富和完善现有毒性数据库，填补实验数据的空白，在预测毒理学领域新技术和新方法的创新中提供一定的借鉴和参考
。
附图说明
[0017]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例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专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图
。
[0018]图1为本专利技术实施例提供的基于深度学习的未知物质急性毒性预测方法的流程示意图；
[0019]图2为本专利技术实施例提供的基于深度学习的未知物质急性毒性预测系统的结构示意图
。
具体实施方式
[0020]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚
、
完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例
。
基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围
。
[0021]为使本专利技术的上述目的
、
特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明
。
[0022]实施例一
[0023]如图1所示，本实施例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：
[0024]步骤
101
：获取目标区域内化学物质的
CANONICALSMILES
码，
[0025]并将目标区域内化学物质的
CANONICALSMILES
码编码成目标区域内化学物质的
DGL
图
。
其中，
SMILES(
简化分子线性输入规范，
Simplifiedmolecularinputlineentrysystem)
，
CANONICAL SMILES(
规范化
SMILES
‑
化合物的唯一
SMILES)。
[0026]步骤
201
：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
。
[0027]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；其中，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
。
[0028]所述特征提取层为图同构网络
。
[0029]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
。
[0030]所述池化层包括最大池化方法和带权求和池化方法
。
[0031]进一步地，改进的注意力机制为将点积注意力函数和拼接注意力函数进行融合后得到的注意力机制
。
[本文档来自技高网...

【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：