基于DCU的药物-靶点结合亲和力预测模型的推理加速方法技术

本发明专利技术涉及高性能计算和药物发现领域，具体涉及基于DCU的药物‑靶点结合亲和力预测模型的推理加速方法，包括1)模型耗时算子优化，在DCU上针对当前表现最佳的药物‑靶点结合亲和力预测模型MGraphDTA中耗时的AdaptiveMaxPool1d、GraphConv和BatchNorm算子进行优化，并减少不必要的计算开销；2)算子融合优化，对模型中频繁出现的Relu和AdaptiveMaxPool1d等多个算子进行算子融合，以减少大量访存操作和多个kernel调用的时间；3)分布式推理策略，将数据分到多个节点的多张卡上实现分布式推理，并添加排序算法和进程间数据通信方法，以便快速获取结合亲和力排序结果。本发明专利技术提供的方法，能够充分利用国产DCU平台的超强计算性能，实现高效地亲和力预测，并在短时间内对数百万药物分子进行大规模虚拟筛选，从而加速药物发现过程。

【技术实现步骤摘要】

本专利技术涉及高性能计算和药物发现领域，具体涉及基于dcu的药物-靶点结合亲和力预测模型的推理加速方法。

技术介绍

1、结合亲和力提供了药物-靶点对之间相互作用强度的重要信息，它的成功鉴定在药物发现的虚拟筛选阶段和现有药物的再利用环节中起着至关重要的作用。然而，在大规模化学或生物实验中，药物-靶点相互作用强度的鉴定通常需要2-3年的实验时间，并伴随着高昂的成本。因此，随着药物、靶点和结合亲和力数据的积累，用于药物-靶点亲和力预测的计算方法因其效率和低成本而备受关注。

2、近年来，随着人工智能和深度学习的发展，深度神经网络逐渐成为流行的预测亲和力值的工具。因此，结合亲和力的研究方法主要可分为两大类：传统的非深度学习方法和基于深度学习的方法。其中，传统方法例如分子对接和分子动力学模拟等，虽然它们对分子间相互作用具有很好的物理解释力，但严重依赖于蛋白质靶标的可用高质量的3d结构数据，而这些结构数据在实际研究中难以获取。并且这些传统方法也消耗着巨大的计算资源，仍然具有挑战性。相比之下，基于深度学习的方法在效率和成本方面具有显著优势。

3、但本文档来自技高网...

【技术保护点】

1.基于DCU的药物-靶点结合亲和力预测模型的推理加速方法，其特征在于：模型耗时算子优化、算子融合优化以及分布式推理策略；

2.根据权利要求1所述的基于DCU的药物-靶点结合亲和力预测模型的推理加速方法，其主要特征在于，模型耗时算子优化具体包括：

3.根据权利要求1所述的基于DCU的药物-靶点结合亲和力预测模型的推理加速方法，其主要特征在于，算子融合优化具体包括：

4.根据权利要求1所述的基于DCU的药物-靶点结合亲和力预测模型的推理加速方法，其主要特征在于，分布式推理策略具体包括：

【技术特征摘要】

1.基于dcu的药物-靶点结合亲和力预测模型的推理加速方法，其特征在于：模型耗时算子优化、算子融合优化以及分布式推理策略；

2.根据权利要求1所述的基于dcu的药物-靶点结合亲和力预测模型的推理加速方法，其主要特征在于，模型耗时算子优化具体包括：

【专利技术属性】
技术研发人员：王珣，张思宇，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：