[發明專利]基于卷積神經網絡的智能化先導化合物發現方法

有效

• 申請號: 201710127395.5
• 申請日: 2017-03-01
• 公開（公告）號: CN106874688B
• 公開（公告）日: 2019-03-12
• 發明（設計）人: 林克江;徐吟秋
• 申請（專利權）人: 中國藥科大學
• 主分類號: G16C20/50
• 分類號: G16C20/50;G06K9/62;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.基于卷積神經網絡的智能化先導化合物發現方法，其特征在于，該方法包括如下步驟：

步驟1：對大小、亮度均一致的化合物結構式的平面圖片進行黑白化與反色處理；

步驟2：根據化合物活性屬性對圖片進行分類，并對每一類圖片加以各類所對應的數字標簽，其中一部分圖片作為訓練集，剩余部分圖片作為測試集；

步驟3：將圖片根據像素值轉變為數字矩陣，與標簽數字一一對應；

步驟4：建立卷積神經網絡分類器，并調整參數；

步驟5：當評價模型的損失函數值逼近0后，完成訓練，獲得訓練后的矩陣參數；

步驟6：以獲得的矩陣計算測試集圖片最為可能的活性屬性，并通過與其真實屬性比較對模型進行評估，若評估結果不合要求，擴充數據集大小，重復上述過程；

步驟7：若評估結果符合要求，依前法對待預測化合物結構式圖片進行預處理，將圖片以保存的矩陣運算后輸出其屬于各活性類別的可能性。

2.根據權利要求1所述的基于卷積神經網絡的智能化先導化合物發現方法，其特征在于：步驟1、步驟2、步驟3、步驟6、步驟7中所述圖片的準備方法是指將分子化學結構式轉變為平面圖片。

3.根據權利要求1所述的基于卷積神經網絡的智能化先導化合物發現方法，其特征在于：步驟2中所述活性屬性包括定性的活性屬性以及定量的活性屬性。

4.根據權利要求1所述的基于卷積神經網絡的智能化先導化合物發現方法，其特征在于：構建步驟4中所述卷積神經網絡的分類器包含以下步驟：

(1)整理數據集；

(2)建立卷積神經網絡，具體又包含以下子步驟：

A.確定層數及結構；

B.確定卷積與池化方式；

C.選擇損失函數；

D.選擇非線性化函數；

(3)開始訓練神經網絡，具體又包含以下子步驟：

A.初始化矩陣數據；

B.設置每批訓練圖片的數量；

C.設置訓練次數。

5.根據權利要求1所述的基于卷積神經網絡的智能化先導化合物發現方法，其特征在于：步驟4中參數包括以下內容：

(1)層數及節點數；

(2)卷積核大小與采樣方式；

(3)池化層矩陣大小與采樣方式；

(4)損失函數種類；

(5)非線性化函數種類；

(6)每批訓練圖片的數量；

(7)訓練次數。

6.根據權利要求1所述的基于卷積神經網絡的智能化先導化合物發現方法，其特征在于：步驟5中所述的逼近為損失函數值小于1同時大于0。

7.根據權利要求1所述的基于卷積神經網絡的智能化先導化合物發現方法，其特征在于：步驟6中評估方法包括計算模型預測全部圖片以及各類別圖片的正確率、錯誤率，模型針對某分類屬性的特異性以及靈敏度。