【技术实现步骤摘要】
本专利技术涉及化学信息学及人工智能领域，具体涉及利用深度学习技术对分子溶解度进行预测的方法。
技术介绍
1、溶解度作为化学、药学及材料科学中的关键物理化学指标，广泛应用于药物筛选、新材料设计等领域。传统的溶解度预测方法主要依赖于经验模型或经典物理化学公式，存在计算复杂度高、预测效果受限等问题。近年来，深度学习技术的发展为溶解度预测提供了新的思路，并已出现了若干基于深度学习的溶解度预测方法。
2、例如，专利文献cn109741797b公开了一种利用深度学习技术预测小分子化合物水溶性等级的方法。该方法通过对化合物结构信息(如smiles文本)的输入，经过数据清洗、特征提取及标准化处理，构建模型进行训练，从而实现对化合物在水中(常温条件下)的溶解性预测；而专利文献cn114093435b则公开了一种基于双向时间序列预测模型和注意力机制的化学分子水溶性预测方法，通过学习化学分子结构序列与水溶性之间的对应关系进行预测。这两项技术均主要针对常温下、以水为溶剂的溶解度预测，其应用条件相对固定。
3、此外，专利文献cn1 143...
【技术保护点】
1.一种基于深度学习的溶解度预测方法，其特征在于，耦合定向消息传递神经网络DMPNN与自适应混合专家MoE模型，以实现对多种溶质-溶剂体系和不同温度条件下溶解度的精准预测，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述方法采用分子图数据对溶质及溶剂的分子结构进行表示，所述分子图包括节点和边特征。
3.根据权利要求2所述的方法，其特征在于，所述分子图数据的特征表示通过DMPNN进行更新，从而更准确地捕捉分子结构中的化学特性。
4.根据权利要求3所述的方法，其特征在于，将所述更新后的分子图特征与温度信息及分子描述符进行特...
【技术特征摘要】
1.一种基于深度学习的溶解度预测方法，其特征在于，耦合定向消息传递神经网络dmpnn与自适应混合专家moe模型，以实现对多种溶质-溶剂体系和不同温度条件下溶解度的精准预测，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述方法采用分子图数据对溶质及溶剂的分子结构进行表示，所述分子图包括节点和边特征。
3.根据权利要求2所述的方法，其特征在于，所述分子图数据的特征表示通过dmpnn进行更新，从而更准确地捕捉分子结构中的化学特性。
4.根据权利要求3所述的方法，其特征在于，将所述更新后的分子图特征与温度信息及分子描述符进行特征融合，形成综合输入表示。
5.根据权利要求4所述的方法，其特征在于，将所述综合输入表示传入moe模块，该模块通过门控网络根据输入数据动态生成各专家网络的权重，并对各专家网络输出进行加权融合，进而生成溶解度的预测结果。
6.根...
【专利技术属性】
技术研发人员：孟庆伟，郭理想，刘奇磊，张磊，都健，
申请(专利权)人：大连理工大学，
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。