一种基于多模态特征融合的分子优化方法、设备及介质技术

本申请公开了一种基于多模态特征融合的分子优化方法、设备及介质，方法包括：收集优秀性质分子；针对优秀性质分子，提取对应的第一分子特征，并确定目标分子的第二分子特征；输入至预先训练的计算化学大模型中，输出多个优化分子；基于预先设置的评价标准对优化分子进行评价，并根据评价分数确定是否继续通过计算化学大模型对优化分子进行优化。通过机器学习训练到的计算化学大模型对分子优化，不仅提高自动化水平以及优化效率。而且可以基于实际需求，选择相应的优质性质分子，保证了泛用性。并且还可以基于后续需求，对计算化学大模型进行模块的增加，保证了可扩展空间。

【技术实现步骤摘要】

本申请涉及机器学习领域，具体涉及一种基于多模态特征融合的分子优化方法、设备及介质。

技术介绍

1、在化学领域中，分子优化是分子设计与发现的关键步骤，其可通过化学修饰分子从而改善目标分子的所需特性，目标是发现与已知起始分子相比具有改善的特性的分子（产生新的有效分子，使分子特性最大化，同时保持与输入分子的相似性）。比如，在先导优化中，可以改变先导分子的化学结构以提高它们的选择性和特异性。

2、在传统的分子优化方案中，分子优化过程是根据化学家的知识和经验规划的，并通过基于片段的筛选或合成来进行。因此，其并不具备可扩展或自动化。

技术实现思路

1、为了解决上述问题，本申请提出了一种基于多模态特征融合的分子优化方法，包括：

2、收集优秀性质分子，其中，所述优秀性质分子指的是，该分子的指定性质满足预设的实验要求；

3、针对所述优秀性质分子，提取对应的第一分子特征，并确定目标分子的第二分子特征；

4、根据所述第一分子特征，以及所述第二分子特征，输入至预先训练的计算化学大模型中本文档来自技高网...

【技术保护点】

1.一种基于多模态特征融合的分子优化方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述计算化学大模型的训练过程包括：

3.根据权利要求2所述的方法，其特征在于，获取所述优秀性质分子的量子化学描述符，具体包括：

4.根据权利要求2所述的方法，其特征在于，所述计算化学大模型采用开源的模型chemformer，其采用encoder-decoder的模型架构，并采用transformer网络结构；

5.根据权利要求4所述的方法，其特征在于，所述计算化学大模型在融合过程中采用注意力机制，所述注意力机制的公式为：

6....

【技术特征摘要】

1.一种基于多模态特征融合的分子优化方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述计算化学大模型的训练过程包括：

3.根据权利要求2所述的方法，其特征在于，获取所述优秀性质分子的量子化学描述符，具体包括：

4.根据权利要求2所述的方法，其特征在于，所述计算化学大模型采用开源的模型chemformer，其采用encoder-decoder的模型架构，并采用transformer网络结构；

5.根据权利要求4所述的方法，其特征在于，所述计算化学大模型在融合过程中采用注意力机制，所述注意力机制的公式为：

6.根据权利要求4所述的方法，其特征在于，所述多模态特征融合模块在训练过程中采用mask token prediction的训练任务，所述训练任务的过程...

【专利技术属性】
技术研发人员：祝艺玮，李中伟，张浩，柳彦宏，
申请(专利权)人：烟台国工智能科技有限公司，
类型：发明
国别省市：