[發(fā)明專利]一種基于圖貝葉斯優(yōu)化的分子發(fā)現(xiàn)方法

有效

• 申請?zhí)枺?/td>: 201911327186.0
• 申請日: 2019-12-20
• 公開（公告）號: CN111063398B
• 公開（公告）日: 2023-08-18
• 發(fā)明（設(shè)計(jì)）人: 楊博;崔佳旭;張春旭;孫冰怡
• 申請（專利權(quán)）人: 吉林大學(xué)
• 主分類號: G16C10/00
• 分類號: G16C10/00;G16C20/70
• 代理公司: 北京高沃律師事務(wù)所 11569
• 代理人: 韓雪梅

1.一種基于圖貝葉斯優(yōu)化的分子發(fā)現(xiàn)方法，其特征在于，所述方法包括：

獲取候選分子集合；所述候選分子集合包括若干個(gè)分子；

從所述候選分子集合中隨機(jī)選取若干個(gè)分子進(jìn)行性質(zhì)評估，得到分子-性質(zhì)對集合；

根據(jù)所述分子-性質(zhì)對集合對代理模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的代理模型；所述代理模型用于對分子的性質(zhì)進(jìn)行預(yù)測；

根據(jù)所述訓(xùn)練后的代理模型對所述候選分子集合中的分子分別進(jìn)行性質(zhì)預(yù)測，得到所述候選分子集合中的各分子的預(yù)測性質(zhì)；

根據(jù)所述候選分子集合中的各分子的預(yù)測性質(zhì)從所述候選分子集合中選擇希望分子進(jìn)行性質(zhì)評估，得到希望分子性質(zhì)；

根據(jù)所述希望分子性質(zhì)找到具有期望性質(zhì)的分子；

其中，所述代理模型具體包括：編碼層、圖神經(jīng)網(wǎng)絡(luò)、全局池化層、全鏈接層和貝葉斯線性回歸層；

根據(jù)所述分子-性質(zhì)對集合對代理模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的代理模型具體包括：

根據(jù)所述分子-性質(zhì)對集合對神經(jīng)網(wǎng)絡(luò)權(quán)重進(jìn)行訓(xùn)練，得到訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)權(quán)重；

根據(jù)所述分子-性質(zhì)對集合對貝葉斯線性回歸中的超參數(shù)進(jìn)行訓(xùn)練，得到訓(xùn)練后的貝葉斯線性回歸中的超參數(shù)；

根據(jù)所述訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)權(quán)重和所述訓(xùn)練后的貝葉斯線性回歸中的超參數(shù)得到訓(xùn)練后的代理模型；

其中，所述候選分子集合中的分子，以及，所述分子-性質(zhì)對集合中的分子均以屬性圖表示，所述候選分子集合中的各分子的分子圖，以及，所述分子-性質(zhì)對集合中的各分子的分子圖均包括：若干個(gè)節(jié)點(diǎn)、若干條邊和若干個(gè)全局屬性；所述節(jié)點(diǎn)表示分子中的原子，所述節(jié)點(diǎn)的屬性為原子One-Hot編碼和原子質(zhì)量，所述邊表示化學(xué)鍵，所述邊的屬性為化學(xué)鍵類型，所述全局屬性為分子的原子數(shù)、原子類型分布或化學(xué)鍵類型分布。

2.根據(jù)權(quán)利要求1所述的一種基于圖貝葉斯優(yōu)化的分子發(fā)現(xiàn)方法，其特征在于，

所述候選分子集合采用隨機(jī)圖生成方法、進(jìn)化方法、深度圖生成模型方法或人工給定方法生成。

3.根據(jù)權(quán)利要求1所述的一種基于圖貝葉斯優(yōu)化的分子發(fā)現(xiàn)方法，其特征在于，對隨機(jī)選取的若干個(gè)分子進(jìn)行性質(zhì)評估的過程為并行評估。

4.根據(jù)權(quán)利要求1所述的一種基于圖貝葉斯優(yōu)化的分子發(fā)現(xiàn)方法，其特征在于，所述根據(jù)所述分子-性質(zhì)對集合對神經(jīng)網(wǎng)絡(luò)權(quán)重進(jìn)行訓(xùn)練，得到訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)權(quán)重具體包括：

分別對所述分子-性質(zhì)對集合中的各分子圖，均執(zhí)行以下操作：

將每個(gè)邊屬性、每個(gè)節(jié)點(diǎn)屬性和每個(gè)全局屬性均進(jìn)行密集編碼，得到密集編碼后的節(jié)點(diǎn)屬性、密集編碼后的邊屬性和密集編碼后的全局屬性；

根據(jù)密集編碼后的節(jié)點(diǎn)屬性、密集編碼后的邊屬性和密集編碼后的全局屬性，采用圖神經(jīng)網(wǎng)絡(luò)提取分子圖的特征，得到各化學(xué)鍵特征、各原子特征和各節(jié)點(diǎn)特征；

將各化學(xué)鍵特征、各原子特征和各節(jié)點(diǎn)特征分別進(jìn)行融合，得到融合后的化學(xué)鍵特征、融合后的原子特征和融合后的節(jié)點(diǎn)特征；

將所述融合后的化學(xué)鍵特征、融合后的原子特征和融合后的節(jié)點(diǎn)特征進(jìn)行串聯(lián)，得到分子圖的全局表示；

將所述全局表示進(jìn)行映射得到第一特征；

根據(jù)所述第一特征，采用單層線性回歸方法得到分子圖對應(yīng)分子的性質(zhì)；

根據(jù)所述分子的性質(zhì)通過最小化誤差訓(xùn)練所述神經(jīng)網(wǎng)絡(luò)權(quán)重，得到所述訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)權(quán)重。

5.根據(jù)權(quán)利要求1所述的一種基于圖貝葉斯優(yōu)化的分子發(fā)現(xiàn)方法，其特征在于，所述根據(jù)所述分子-性質(zhì)對集合對貝葉斯線性回歸中的超參數(shù)進(jìn)行訓(xùn)練，得到訓(xùn)練后的貝葉斯線性回歸中的超參數(shù)具體包括：

根據(jù)所述分子-性質(zhì)對集合，采用最大化邊際似然方法估計(jì)貝葉斯線性回歸中的超參數(shù)。