[發明專利]基于機器學習的自由能微擾網絡設計方法

在審

• 申請號: 202011097352.5
• 申請日: 2020-10-14
• 公開（公告）號: CN112102889A
• 公開（公告）日: 2020-12-18
• 發明（設計）人: 李治鵬;溫書豪;楊明俊;林志雄;鄒俊杰;馬健;賴力鵬
• 申請（專利權）人: 深圳晶泰科技有限公司
• 主分類號: G16C10/00
• 分類號: G16C10/00;G16C20/50;G16B20/00;G06N3/08;G06N3/04
• 代理公司: 深圳市科吉華烽知識產權事務所(普通合伙) 44248
• 代理人: 胡吉科

1.基于機器學習的自由能微擾網絡設計方法，其特征在于，包括以下步驟：

S1、準備計算所需的小分子數據集；

S2、準備小分子/蛋白質輸入文件；

S3、利用FEP計算不同小分子對之間的△△G及std；

S4、提取小分子的特征描述符；

S5、準備機器學習模型所需的訓練集和測試集；S6、構建機器學習模型；

S7、訓練機器學習模型；

S8、測試集統計誤差。

2.根據權利要求1所述的基于機器學習的自由能微擾網絡設計方法，其特征在于，具體包括以下步驟：

S1、準備計算所需的小分子數據集：準備數據集時保證體系的多樣性，以免出現模型對于部分體系的過擬合；

S2、準備小分子/蛋白質輸入文件：根據FEP計算的需求，生成用于FEP計算的初始文件；

S3、利用FEP計算不同小分子對之間的△△G及std：設計小分子之間必須的分子對，利用FEP計算多次△△G結果，進而得到對應的std值；

S4、提取小分子的特征描述符：提取小分子的二維結構特征描述符；

S5、準備機器學習模型所需的訓練集和測試集：收集FEP計算得到的分子對的std結果及對應小分子的二維特征描述符，并將收集到的數據按照一定比例劃分為訓練集和測試集；

S6、構建機器學習模型：將得到的小分子的二維描述符作為輸入，分子對的std結果作為輸出構建機器學習模型；

S7、訓練機器學習模型：選取適當的參數對于模型進行訓練，根據不同類型的機器學習模型設置不同的參數；

S8、測試集統計誤差：訓練完成后在測試集上統計誤差，根據統計的誤差對于模型參數進行優化，得到最佳的模型。

3.根據權利要求2所述的基于機器學習的自由能微擾網絡設計方法，其特征在于，步驟S4中，所述的小分子的二維結構特征描述符，包括分子質量、拓撲連接信息、柔性二面角數量。