一种基于多视图的图神经网络的分子性质预测方法技术

本发明专利技术是一种基于多视图的图神经网络的分子性质预测方法。首先通过将化学分子图建模成图和节点嵌入，并对生成的图进行随机扰动。在节点级的表示学习中，使用注意力机制来聚合节点信息，并通过无监督对比学习来提高表示的一致性。在图级的表示学习中，通过最大化锚点与正表示之间的语义一致性，并最小化锚点与负表示之间的语义一致性来提高图的表示。最后，使用多层感知机对最终得到的图表示进行分类预测。本发明专利技术解决了现有图分类方法无法保证扰动图和原始图之间语义一致性的问题，分子分类准确性和模型的鲁棒性方面具有显著的优势。通过充分利用数据内在知识，该方法能够提高分子分类的准确性和效率。

【技术实现步骤摘要】

本专利技术属于分子性质的预测和图神经网络，更为具体地讲，该专利技术涉及一种基于多视图的图神经网络的分子性质预测方法。

技术介绍

1、在药物发现和开发领域，准确预测化学分子的特性是至关重要的。这不仅加速了新药物的发现，而且有助于筛选出最有前景的候选药物。候选药物需要在多个方面进行评估，包括与目标结合的亲和力、水溶性、副作用等。

2、早期的药物发现过程主要依赖于组合化学和高通量筛选等传统方法。这些方法虽然能够创造出大量的分子结构，但由于化学空间的广泛性，其效率较低，计算量大。此外，在传统的分子性质预测任务中，研究人员通常依赖于经验和手工特征工程来指导分子预测工作，这可能导致分子表征带有领域专家的偏见。

3、近年来，随着人工智能技术的发展，尤其是深度学习的进步，药物分子性质的预测方法发生了根本性的变化。深度学习方法，特别是多层神经网络，能够从分子结构或原始信息丰富的分子描述符中自动提取低维稠密的向量表示，从而克服了传统特征工程的限制。这些基于深度学习的模型能够自动从数据中学习规律，减轻研究人员的工作负担，并提高预测的准确性和效率。

本文档来自技高网...

【技术保护点】

1.一种基于多视图的图神经网络的分子性质预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的分子性质预测方法，其特征在于，步骤(3)中，所述的节点级的表示学习：

【技术特征摘要】

1.一种基于多视图的图神经网络的分子性质预测方法，其特征在于，包括以下步骤：

2...

【专利技术属性】
技术研发人员：邵俊明，何进康，杨勤丽，
申请(专利权)人：电子科技大学长三角研究院湖州，
类型：发明
国别省市：