[發明專利]基于多尺度圖卷積的分子性質預測模型

在審

• 申請號: 202210754559.8
• 申請日: 2022-06-30
• 公開（公告）號: CN115019899A
• 公開（公告）日: 2022-09-06
• 發明（設計）人: 甄紅帥
• 申請（專利權）人: 蘇州百分數科技有限公司
• 主分類號: G16C20/30
• 分類號: G16C20/30;G16C20/64;G06N3/04;G06N3/08
• 代理公司: 無錫知更鳥知識產權代理事務所(普通合伙) 32468
• 代理人: 張濤

本發明提出了一種基于多尺度圖卷積的分子預測模型，該預測模型的構建方法包括：步驟1、構造以原子為節點的分子圖，學習原子層面的結構?性質關聯關系；步驟2、構造以分子子結構為節點的分子超圖，學習子結構層面的結構?性質關聯關系；步驟3、從原子層次和子結構層次提取化合物分子的層級特征，構建所述分子性質預測模型，借此，本發明具有通過構造以分子子結構為節點的分子超圖，學習子結構層面的結構?性質關聯關系；通過構造以原子為節點的分子圖，學習原子層面的結構?性質關聯關系；從原子層次和子結構層次多尺度探索化合物分子的語法和語義特性，提取了化合物分子豐富的層級特征，篩選符合特定成藥屬性的候選藥物分子的優點。

技術領域

本發明屬于分子性質預測模型技術領域，特別涉及一種基于多尺度圖卷積的分子預測模型。

背景技術

目前，分子有多種計算機描述符，其中圖結構表示方法可以最大程度保留分子的結構和拓撲連接信息。分子無向圖中，原子作為圖節點，化學鍵作為連接節點的邊。目前，一些研究已經將深度學習成功運用到分子圖上提取分子特征并取得不錯的效果，比如圖神經網絡。

Duvenaud等人通過卷積神經網絡從分子圖結構中提取分子指紋。Youjun等人提出一種分子圖結構編碼卷積神經網絡模型用于分子毒性預測。Coley等人基于圖結構的卷積神經網絡預測分子的物理性質。消息傳遞神經網絡(MPNN)把相關的算法融合到一個整體框架中預測分子的物理化學性質。這些模型從消息傳遞算法中學習原子特征并將原子特征聚合作為最終的分子特征。其中，原子特征通過消息傳遞包含了附近的局部化學信息，邊的特征在訓練的過程中也得以學習。Weave module對原子和化學鍵分別搭建了卷積神經網絡學習分子結構性質。盡管基于圖神經網絡的模型已取得較好的性能。然而，現有的分子結構-性質預測模型并未提取多層次的分子結構特征，并未充分探索分子官能團這一關鍵因素對分子性質的影響。

發明內容

本發明提出一種基于多尺度圖卷積的分子預測模型，解決了上述問題。

本發明的技術方案是這樣實現的：一種基于多尺度圖卷積的分子預測模型，該預測模型的構建方法包括：

步驟1、構造以原子為節點的分子圖，學習原子層面的結構-性質關聯關系；

步驟2、構造以分子子結構為節點的分子超圖，學習子結構層面的結構-性質關聯關系；

步驟3、從原子層次和子結構層次提取化合物分子的層級特征，構建所述分子性質預測模型。

作為一種優選的實施方式，步驟1中以原子為節點的分子圖的構造方法為，以節點表示原子，邊表示化學鍵，將分子描述為G＝(V,E)，其中V為分子中的所有原子代表的節點，E為分子中連接原子節點的邊，原子節點的特征由One-Hot向量表示。

作為一種優選的實施方式，步驟2中以分子子結構為節點的分子超圖的構造方法為，通過圖卷積網絡提取分子子結構圖的特征作為分子超圖的節點特征，公共原子類型特征作為分子超圖的邊特征。

作為一種優選的實施方式，分子超圖采用T＝(S,A)表示，其中，S對應該分子內所有子結構，A對應于相鄰子結構的共有原子。

作為一種優選的實施方式，步驟3中從原子層次和子結構層次提取化合物分子的層級特征的方法為，通過圖卷積神經網絡分別對分子圖特征和分子超圖特征進行提取，并將分子圖特征向量和分子超圖特征向量進行融合，作為分子的整體特征。

作為一種優選的實施方式，分子的整體特征輸入多層感知機網絡分別針對多種分子性質訓練模型，預測化合物分子性質。

采用了上述技術方案后，本發明的有益效果是：