[發(fā)明專利]識(shí)別化合物物化性質(zhì)與結(jié)構(gòu)特征的方法和裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202310361951.0
• 申請(qǐng)日: 2023-04-04
• 公開(kāi)（公告）號(hào): CN116645540A
• 公開(kāi)（公告）日: 2023-08-25
• 發(fā)明（設(shè)計(jì)）人: 孫翔飛;謝夢(mèng)儀;曾永平;麥磊
• 申請(qǐng)（專利權(quán)）人: 暨南大學(xué)
• 主分類(lèi)號(hào): G06V10/764
• 分類(lèi)號(hào): G06V10/764;G06V10/82;G06V10/44;G06N3/0464;G06N3/048;G06N3/084
• 代理公司: 北京邦申誠(chéng)知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11871
• 代理人: 簡(jiǎn)德明

本發(fā)明公開(kāi)了一種識(shí)別化合物物化性質(zhì)與結(jié)構(gòu)特征的方法和裝置，屬于化學(xué)技術(shù)領(lǐng)域。方法包括獲取訓(xùn)練集，訓(xùn)練集包括：多種化合物的結(jié)構(gòu)特征和與化合物對(duì)應(yīng)的標(biāo)記目標(biāo)物化性質(zhì)；根據(jù)訓(xùn)練集對(duì)預(yù)先設(shè)置的初始深度卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到分類(lèi)用深度卷積神經(jīng)網(wǎng)絡(luò)模型；在模型訓(xùn)練過(guò)程中，采用通過(guò)導(dǎo)向反向傳播算法和梯度加權(quán)類(lèi)激活映射算法構(gòu)建的觀測(cè)器確定與標(biāo)記目標(biāo)物化性質(zhì)相關(guān)的關(guān)鍵結(jié)構(gòu)特征。裝置包括訓(xùn)練集獲取模塊、模型得到模塊和特征確定模塊。本方案能更加快速有效的識(shí)別具有復(fù)雜化學(xué)結(jié)構(gòu)和元素組成的化合物所具備的物理化學(xué)特性，從而能進(jìn)一步輔助藥品開(kāi)發(fā)，新材料合成以及相關(guān)領(lǐng)域的發(fā)展，極大地降低識(shí)別成本，提高識(shí)別速度。

技術(shù)領(lǐng)域

本發(fā)明屬于化學(xué)技術(shù)領(lǐng)域，特別涉及一種識(shí)別化合物物化性質(zhì)與結(jié)構(gòu)特征的方法、裝置、電子設(shè)備和存儲(chǔ)介質(zhì)。

背景技術(shù)

化合物的元素組成與空間結(jié)構(gòu)特征與其物理化學(xué)性質(zhì)高度相關(guān)，而分子描述符是描述和量化化合物特定結(jié)構(gòu)特征的一種重要的數(shù)學(xué)方法。自20世紀(jì)70年代以來(lái)，大量的分子描述符被發(fā)明和構(gòu)建出來(lái)，用以對(duì)復(fù)雜化合物的結(jié)構(gòu)特征進(jìn)行表征。然而，多種具有不同元素組成以及空間結(jié)構(gòu)的化合物在同一物理化學(xué)性質(zhì)上所表現(xiàn)出的量化差異，往往包含許多復(fù)雜的非線性關(guān)系，這使得全體分子描述符作為一個(gè)集合，缺乏系統(tǒng)性的運(yùn)用價(jià)值。

為了更好的指導(dǎo)新材料合成，藥品研發(fā)，以及生物毒性評(píng)估等現(xiàn)實(shí)難題，需要對(duì)化合物的結(jié)構(gòu)特征與其展現(xiàn)出的物理化學(xué)性質(zhì)進(jìn)行更加精準(zhǔn)的描述，并且需要避免少量分子描述符在描述某些分子結(jié)構(gòu)時(shí)所具有的先天局限性。與此同時(shí)，傳統(tǒng)人工篩查的方法耗時(shí)費(fèi)力，且常規(guī)統(tǒng)計(jì)學(xué)方法容易忽略大多數(shù)非線性關(guān)系，且所選取的分子描述符彼此缺乏關(guān)聯(lián)性。

針對(duì)上述問(wèn)題，亟需開(kāi)發(fā)一種新的方法，用來(lái)系統(tǒng)性的識(shí)別與評(píng)估化學(xué)品結(jié)構(gòu)特征與其物化性質(zhì)之間的關(guān)系。

發(fā)明內(nèi)容

本發(fā)明的目的是提出一種識(shí)別化合物物化性質(zhì)與結(jié)構(gòu)特征的方法和裝置，能有效跟蹤和提取與目標(biāo)物理化學(xué)性質(zhì)相關(guān)聯(lián)的分子描述符(組)，描述所包含的化合物結(jié)構(gòu)特征，通過(guò)神經(jīng)網(wǎng)絡(luò)模型對(duì)非線性關(guān)系的強(qiáng)大魯棒性，加快速有效的識(shí)別和篩選與目標(biāo)物理化學(xué)性質(zhì)相關(guān)的化合物分子結(jié)構(gòu)特征。

為達(dá)到上述目的，本發(fā)明一方面提供了一種識(shí)別化合物物化性質(zhì)與結(jié)構(gòu)特征的方法，其包括以下步驟：

獲取訓(xùn)練集，訓(xùn)練集包括：多種化合物的結(jié)構(gòu)特征和與化合物對(duì)應(yīng)的標(biāo)記目標(biāo)物化性質(zhì)；

根據(jù)訓(xùn)練集對(duì)預(yù)先設(shè)置的初始深度卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到分類(lèi)用深度卷積神經(jīng)網(wǎng)絡(luò)模型；

在模型訓(xùn)練過(guò)程中，采用通過(guò)導(dǎo)向反向傳播算法和梯度加權(quán)類(lèi)激活映射算法構(gòu)建的觀測(cè)器確定與標(biāo)記目標(biāo)物化性質(zhì)相關(guān)的關(guān)鍵結(jié)構(gòu)特征。

另一方面提供了一種識(shí)別化合物物化性質(zhì)與結(jié)構(gòu)特征的裝置，其包括：

訓(xùn)練集獲取模塊，用于獲取訓(xùn)練集，訓(xùn)練集包括：多種化合物的結(jié)構(gòu)特征和與化合物對(duì)應(yīng)的標(biāo)記目標(biāo)物化性質(zhì)；

模型得到模塊，用于根據(jù)訓(xùn)練集對(duì)預(yù)先設(shè)置的初始深度卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到分類(lèi)用深度卷積神經(jīng)網(wǎng)絡(luò)模型；

特征確定模塊，用于在模型訓(xùn)練過(guò)程中，采用通過(guò)導(dǎo)向反向傳播算法和梯度加權(quán)類(lèi)激活映射算法構(gòu)建的觀測(cè)器確定與標(biāo)記目標(biāo)物化性質(zhì)相關(guān)的關(guān)鍵結(jié)構(gòu)特征。

又一方面提供了一種電子設(shè)備，其包括：存儲(chǔ)器和處理器；處理器與存儲(chǔ)器連接，被配置為基于存儲(chǔ)在存儲(chǔ)器中的指令，執(zhí)行上述的識(shí)別化合物物化性質(zhì)與結(jié)構(gòu)特征的方法。

再一方面提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有至少一條指令、至少一段程序、代碼集或指令集，其特征在于，至少一條指令、至少一段程序、代碼集或指令集由處理器加載并執(zhí)行以實(shí)現(xiàn)上述的識(shí)別化合物物化性質(zhì)與結(jié)構(gòu)特征的方法。

本發(fā)明實(shí)施例提供的技術(shù)方案帶來(lái)的有益效果是：