【技术实现步骤摘要】
本公开涉及分子筛选，具体地，涉及一种采用量子计算的分子筛选方法及相关装置。
技术介绍
1、药物研发者面临着艰巨的挑战，他们需要为患者找到新的治疗药物，但传统的设计流程需要投入大量的时间和资源。一般情况下，需要花费数年甚至数十年的时间来获得一个特性、安全性和有效性都满足要求的候选药物分子，而且实验室中还需要合成成千上万的分子进行临床前测试，整个过程需要投入数百万美元甚至更多。即使经过这么多的努力，大部分的药物研发项目依然不能提供适合进行临床试验的小分子候选药物，因此提高药物研发的效率一直是科学家努力的方向。
2、由于量子计算在分子模拟方面有着天然的优势，因此通过量子计算机模拟分子的结构和相互作用在药物筛选方面有着巨大的潜力，合适的量子算法可以快速而准确地预测药物分子的效果和副作用，这将大大加快药物研发的速度。
3、但是，目前量子计算的计算成本较高，而量子算法的改进受制于量子计算机的发展，短期内制造出计算成本低廉的量子计算机较为困难，因此短期内将量子计算用于药物研发存在计算成本较高的问题。
技术实现思路
1、本公开的目的是提供一种采用量子计算的分子筛选方法及相关装置，通过将量子计算与人工智能结合，使得两种方法优势互补，在保证一定准确度的情况下减少了分子筛选过程中量子计算机的计算任务量，降低了计算成本。
2、为了实现上述目的，本公开的第一方面提供一种采用量子计算的分子筛选方法，所述方法包括：
3、获取待筛选分子的分子结构数据，并从所述待筛选
4、将所述目标分子的分子结构数据发送至量子计算机，并在所述量子计算机基于所述目标分子的分子结构数据计算出所述目标分子的分子特性数据后，接收所述量子计算机发送的所述目标分子的分子特性数据，并基于所述目标分子的分子特性数据和分子结构数据对预设的机器学习模型进行训练，得到满足预设训练条件的机器学习模型；
5、利用所述满足预设训练条件的机器学习模型计算所述待筛选分子的分子特性数据，并基于所述待筛选分子的分子特性数据从所述待筛选分子中选取满足第一预设条件的分子作为候选分子；
6、将所述候选分子的分子结构数据发送至量子计算机，并在所述量子计算机基于所述候选分子的分子结构数据计算出所述候选分子的分子特性数据后，接收所述量子计算机发送的所述候选分子的分子特性数据，并基于所述候选分子的分子特性数据从所述候选分子中选取满足第二预设条件的分子作为筛选出的分子。
7、可选地，所述目标分子的分子特性数据为结合能，用于训练所述预设的机器学习模型的分子结构数据包括简化分子线性输入规范式和分子指纹，所述基于所述目标分子的分子特性数据和分子结构数据对预设的机器学习模型进行训练，得到满足预设训练条件的机器学习模型，包括：
8、将所述目标分子的简化分子线性输入规范式和分子指纹输入预设的机器学习模型，得到输出的结合能；
9、基于所述输出的结合能以及所述量子计算机计算出的所述目标分子的结合能计算预设损失函数的损失函数值；
10、基于所述损失函数值以及梯度下降算法对所述预设的机器学习模型的参数进行更新，得到更新后的机器学习模型；
11、在满足预设训练条件时，停止对所述机器学习模型的参数进行更新，将最后更新后的机器学习模型作为满足预设训练条件的机器学习模型。
12、可选地，所述预设的机器学习模型为深度神经网络模型。
13、可选地，所述深度神经网络模型包括依次连接的嵌入层、输入层、第一全连接层、第一relu激活层、第二全连接层、第二relu激活层、第三全连接层、第三relu激活层以及输出层，所述将所述目标分子的简化分子线性输入规范式和分子指纹输入预设的机器学习模型，得到输出的结合能，包括：
14、将所述目标分子的简化分子线性输入规范式输入所述嵌入层，以将所述简化分子线性输入规范式转化为对应的数值向量；
15、将所述数值向量和所述目标分子的分子指纹输入所述输入层，以分别对所述数值向量和所述分子指纹进行归一化，并对所述归一化后的向量进行拼接，得到拼接向量；
16、将所述拼接向量输入所述第一全连接层，得到第一中间向量，并将所述第一中间向量输入所述第一relu激活层，得到第一激活向量；
17、将所述第一激活向量输入所述第二全连接层，得到第二中间向量，并将所述第二中间向量输入所述第二relu激活层，得到第二激活向量；
18、将所述第二激活向量输入所述第三全连接层，得到第三中间向量，并将所述第三中间向量输入所述第三relu激活层，得到第三激活向量；
19、将所述第三激活向量输入所述输出层，以对所述第三激活向量的元素进行加权求和，得到输出的结合能。
20、可选地，所述从所述待筛选分子中选取部分分子作为目标分子，包括：
21、从所述待筛选分子中随机选取第一预设数量的分子作为目标分子，所述第一预设数量占所述待筛选分子的数量的比例大于等于百万分之一，且小于等于十万分之一。
22、可选地，所述利用所述满足预设训练条件的机器学习模型计算所述待筛选分子的分子特性数据，并基于所述待筛选分子的分子特性数据从所述待筛选分子中选取满足第一预设条件的分子作为候选分子，包括：
23、利用所述满足预设训练条件的机器学习模型计算所述待筛选分子的结合能；
24、基于所述待筛选分子的结合能从所述待筛选分子中选取结合能最低的第二预设数量的分子作为候选分子，所述第二预设数量占所述待筛选分子的数量的比例大于等于二十万分之一，且小于等于十万分之一。
25、可选地，所述接收所述量子计算机发送的所述候选分子的分子特性数据，并基于所述候选分子的分子特性数据从所述候选分子中选取满足第二预设条件的分子作为筛选出的分子，包括：
26、接收所述量子计算机发送的所述候选分子的结合能；
27、基于所述候选分子的结合能从所述候选分子中选取结合能最低的第三预设数量的分子作为筛选出的分子，所述第三预设数量占所述候选分子的数量的比例大于等于五百分之一，且小于等于五十分之一。
28、为了实现上述目的，本公开的第二方面提供一种采用量子计算的分子筛选装置，所述装置包括：
29、获取模块，用于获取待筛选分子的分子结构数据，并从所述待筛选分子中选取部分分子作为目标分子；
30、训练模块，用于将所述目标分子的分子结构数据发送至量子计算机，并在所述量子计算机基于所述目标分子的分子结构数据计算出所述目标分子的分子特性数据后，接收所述量子计算机发送的所述目标分子的分子特性数据，并基于所述目标分子的分子特性数据和分子结构数据对预设的机器学习模型进行训练，得到满足预设训练条件的机器学习模型；
31、选取模块，用于利用所述满足预设训练条件的机器学习模型计算所述待筛选分子的分子特性数据，并基于所述待筛选分子的分子特性数据本文档来自技高网...
【技术保护点】
1.一种采用量子计算的分子筛选方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述目标分子的分子特性数据为结合能，用于训练所述预设的机器学习模型的分子结构数据包括简化分子线性输入规范式和分子指纹，所述基于所述目标分子的分子特性数据和分子结构数据对预设的机器学习模型进行训练，得到满足预设训练条件的机器学习模型，包括：
3.根据权利要求2所述的方法，其特征在于，所述预设的机器学习模型为深度神经网络模型。
4.根据权利要求3所述的方法，其特征在于，所述深度神经网络模型包括依次连接的嵌入层、输入层、第一全连接层、第一ReLU激活层、第二全连接层、第二ReLU激活层、第三全连接层、第三ReLU激活层以及输出层，所述将所述目标分子的简化分子线性输入规范式和分子指纹输入预设的机器学习模型，得到输出的结合能，包括：
5.根据权利要求1所述的方法，其特征在于，所述从所述待筛选分子中选取部分分子作为目标分子，包括：
6.根据权利要求1所述的方法，其特征在于，所述利用所述满足预设训练条件的机器学习模型计算所述待筛选
7.根据权利要求1所述的方法，其特征在于，所述接收所述量子计算机发送的所述候选分子的分子特性数据，并基于所述候选分子的分子特性数据从所述候选分子中选取满足第二预设条件的分子作为筛选出的分子，包括：
8.一种采用量子计算的分子筛选装置，其特征在于，所述装置包括：
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种电子设备，其特征在于，包括：
...【技术特征摘要】
1.一种采用量子计算的分子筛选方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述目标分子的分子特性数据为结合能，用于训练所述预设的机器学习模型的分子结构数据包括简化分子线性输入规范式和分子指纹，所述基于所述目标分子的分子特性数据和分子结构数据对预设的机器学习模型进行训练，得到满足预设训练条件的机器学习模型，包括：
3.根据权利要求2所述的方法，其特征在于，所述预设的机器学习模型为深度神经网络模型。
4.根据权利要求3所述的方法，其特征在于，所述深度神经网络模型包括依次连接的嵌入层、输入层、第一全连接层、第一relu激活层、第二全连接层、第二relu激活层、第三全连接层、第三relu激活层以及输出层，所述将所述目标分子的简化分子线性输入规范式和分子指纹输入预设的机器学习模型，得到输出的结合能，包括：
5.根据...
【专利技术属性】
技术研发人员：吕川，张晓星，李世博，管佳明，徐敏捷，郑跃强，
申请(专利权)人：合肥微观纪元数字科技有限公司，
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。