CN114446413B - 一种分子性质预测方法、装置及电子设备 - Google Patents
一种分子性质预测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN114446413B CN114446413B CN202210165349.5A CN202210165349A CN114446413B CN 114446413 B CN114446413 B CN 114446413B CN 202210165349 A CN202210165349 A CN 202210165349A CN 114446413 B CN114446413 B CN 114446413B
- Authority
- CN
- China
- Prior art keywords
- dimensional
- edge
- diagram
- molecular
- atom
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000010586 diagram Methods 0.000 claims abstract description 172
- 239000000126 substance Substances 0.000 claims abstract description 73
- 238000013507 mapping Methods 0.000 claims abstract description 19
- 230000004931 aggregating effect Effects 0.000 claims abstract description 13
- 238000011176 pooling Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 15
- 238000012546 transfer Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 230000000875 corresponding effect Effects 0.000 claims description 8
- 230000002596 correlated effect Effects 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000012512 characterization method Methods 0.000 description 13
- 238000012549 training Methods 0.000 description 13
- 230000005540 biological transmission Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- 230000004927 fusion Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000000644 propagated effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 125000002887 hydroxy group Chemical group [H]O* 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000004774 atomic orbital Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009509 drug development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 125000000524 functional group Chemical group 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004776 molecular orbital Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/50—Molecular design, e.g. of drugs
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Physics & Mathematics (AREA)
- Pharmacology & Pharmacy (AREA)
- Medicinal Chemistry (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了分子性质预测方法、装置及电子设备，涉及计算机技术领域，尤其涉及深度学习技术领域。具体实现方案为：根据目标分子的分子式，生成目标分子的二维分子图和三维分子图；针对二维分子图和三维分子图中每个边，聚合边所连接的两个原子的原子特征和边的边特征，得到边的新的边特征；针对二维分子图和三维分子图中每个原子，聚合连接于原子的各个边的边特征，得到原子的新的原子特征；根据各原子的原子特征，确定二维分子图的二维特征和三维分子图的三维特征，根据预设的特征与化学性质之间的映射关系，确定二维特征和三维特征对应的化学性质，作为目标分子的化学性质。可以更准确地对目标分子的分子性质进行预测。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及深度学习技术领域。
背景技术
通过深度学习训练得到的性质预测模型对分子的化学性质进行预测，从而确定出分子的化学性质，这在药物研发等场景中具有重大意义，而分子往往是以分子式的性质表示的，性质预测模型无法识别分子式而仅能够识别特征向量(下文简称特征)，因此需要基于分子式提取能够用于表征分子的特征。
发明内容
本公开提供了一种分子性质预测方法、装置及电子设备。
根据本公开的第一方面，提供了一种分子性质预测方法，包括：
根据目标分子的分子式，生成所述目标分子的二维分子图和三维分子图，其中，所述二维分子图和所述三维分子图中包括原子和边，所述二维分子图和所述三维分子图中的原子用于表示所述目标分子中的原子，所述二维分子图中的边用于表示所述目标分子中各原子间的化学键，所述三维分子图中的边用于表示所述目标分子中各原子间的位置关系；
针对所述二维分子图和所述三维分子图中每个边，聚合所述边所连接的两个原子的原子特征和所述边的边特征，得到所述边的新的边特征；
针对所述二维分子图和所述三维分子图中每个原子，聚合连接于所述原子的各个边的边特征，得到所述原子的新的原子特征；
根据各原子的原子特征，确定所述二维分子图的二维特征和所述三维分子图的三维特征；
根据预设的特征与化学性质之间的映射关系，确定所述二维特征和所述三维特征对应的化学性质，作为所述目标分子的化学性质。
根据本公开的第二方面，提供了一种分子性质预测装置，包括：
分子图生成模块，用于根据目标分子的分子式，生成所述目标分子的二维分子图和三维分子图，其中，所述二维分子图和所述三维分子图中包括原子和边，所述二维分子图和所述三维分子图中的原子用于表示所述目标分子中的原子，所述二维分子图中的边用于表示所述目标分子中各原子间的化学键，所述三维分子图中的边用于表示所述目标分子中各原子间的位置关系；
原子向边传播模块，用于针对所述二维分子图和所述三维分子图中每个边，聚合所述边所连接的两个原子的原子特征和所述边的边特征，得到所述边的新的边特征；
边向原子传播模块，用于针对所述二维分子图和所述三维分子图中每个原子，聚合连接于所述原子的各个边的边特征，得到所述原子的新的原子特征；
特征确定模块，用于根据各原子的原子特征，确定所述二维分子图的二维特征和所述三维分子图的三维特征，作为所述目标分子的分子表征；
性质预测模块，用于根据预设的特征与化学性质之间的映射关系，确定所述二维特征和所述三维特征对应的化学性质，作为所述目标分子的化学性质。
根据本公开的第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述第一方面中任一项所述的方法。
根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据上述第一方面中任一项所述的方法。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开分子性质预测方法的一种流程示意图；
图2是根据本公开用于实现分子性质预测方法的一种消息传递网络的结构示意图；
图3是根据本公开的分子性质预测装置的一种结构示意图；
图4是用来实现本公开实施例的分子性质预测方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
为了更清楚的对本公开提供的分子表征模型训练方法进行说明，下面将对本公开提供的分子表征模型训练方法的一种应用场景进行示例性说明，以下示例仅是本公开提供的分子表征模型训练方法的一种可能的应用场景，在其他可能的实施例中，本公开提供的分子表征模型训练方法也可以应用于其他可能的实施例中，以下示例对此不做任何限制。
药物的药效取决于药物中各分子的化学性质，因此准确预测分子的化学性质在药物研发中起到至关重要的作用。相关技术中，基于深度学习训练得到的性质预测模型对分子的化学性质进行预测，性质预测模型在深度学习的过程中能够学习到分子的表征到分子的化学性质之间的映射关系，因此能够将分子的表征映射为分子的化学性质。
通常分子的表征形式为分子式，但是性质预测模型往往不能够识别分子式，而仅能够识别特征，因此需要将分子以特征的形式表征。相关技术中，往往基于SMILES(一种用ASCII字符串明确描述分子结构的规范)形式表示的分子式提取分子的特征，但是SMILES形式的分子式仅能够表示出分子中的化学键以及官能团，无法体现出分子的空间结构信息，因此基于SMILES形式的分子式提取到的特征同样无法体现出分子的空间结构信息，即特征无法全面的表征分子，导致后续难以根据该特征准确地预测分子的化学性质。
基于此，本公开提供了一种分子性质预测方法，该方法应用于任意具备分子性质预测能力的电子设备，如服务器、个人电脑等，本公开提供的分子性质预测方法如图1所示，包括：
S101，根据目标分子的分子式，生成目标分子的二维分子图和三维分子图。
其中，二维分子图和三维分子图中包括原子和边，二维分子图和三维分子图中的原子用于表示目标分子中的原子，二维分子图中的边用于表示目标分子中各原子间的化学键，三维分子图中的边用于表示目标分子中各原子间的位置关系。
S102，针对二维分子图和三维分子图中每个边，聚合边所连接的两个原子的原子特征和边的边特征，得到边的新的边特征。
S103，针对二维分子图和三维分子图中的每个原子，聚合连接于该原子的各个边的边特征，得到该原子的新的原子特征。
S104，根据各原子的原子特征，确定二维分子图的二维特征和三维分子图的三维特征。
S105，根据预设的特征与化学性质之间的映射关系，确定二维特征和三维特征对应的化学性质，作为目标分子的化学性质。
选用该实施例，通过在分子图上将原子的特征传播至边，再将边的特征转播至原子，使得各个原子的原子特征中不仅包含用于表征该原子的特征，还包含能够表征分子图结构的特征，而由于二维分子图中的边用于表示目标分子中的化学键，因此二维分子图的结构能够反映出分子的化学语义，并且由于三维分子图中的边用于表示目标分子中各原子间的位置关系，因此三维分子图的结构能够反映出分子的空间结构信息，即特征传播，各原子的原子特征能够在一定程度上反映出目标分子的化学语义和空间结构信息，因此基于各原子的原子特征得到的二维特征和三维特征不仅能够表征目标分子的化学语义，还能够表征目标分子的空间结构信息，即能够更为全面地表征目标分子。从而使得基于二维特征和三维特征映射得到的化学性质更加准确。
下面将对前述S101-S105的步骤进行详细说明：
在S101中，目标分子的分子式是以任意能够被电子设备识别的形式表示的，如SMILES形式表示的。
二维分子图可以视为节点、边、坐标的集合，其中，节点的数目等于目标分子中原子的个数，并且每个节点用于表示目标分子中的一个原子，不同节点表示不同的原子。
二维分子图中的每个边用于连接两个节点，并且用于表示该两个节点所表示的原子间的化学键，示例性的，若二维分子图中第一边连接第一节点和第二节点，第一节点表示第一原子，第二节点表示第二原子，目标分子中第一原子和第二原子间存在第一化学键，则第一边用于表示第一化学键。
每个坐标对应于一个节点，不同坐标对应于不同的节点，且每个坐标用于表示所对应的节点所表示的原子在目标分子的分子结构图中的位置，示例性的，若第一坐标对应于第一节点，第一节点表示第一原子，第一原子在目标分子的分子结构图中位于第一位置，则第一坐标表示第一位置。
可以理解的是，分子结构图为便于观察，往往仅体现出分子中各原子间的拓扑结构，而无法体现出各原子之间的空间位置关系，示例性的，假设分子中的第一原子和第二原子间存在化学键且距离为第一距离，第二原子和第三原子间存在化学键且距离为第二距离，并且第一距离远大于第二距离，但是在分子结构图中为便于观察，第一原子与第二原子间的距离往往等于第二原子与第三原子间的距离。
二维分子图可以是图像的形式表示的，也可以是图像以外的其他形式表示的，例如，二维分子图可以是以任意能够表示节点、边、坐标的集合的结构体的形式表示的。
同理于二维分子图，三维分子图也可以视为节点、边、坐标的集合，其中，节点的数目等于目标分子中原子的个数，并且每个节点用于表示目标分子中的一个原子，不同节点表示不同的原子。
每个边用于连接两个节点，并且用于表示所连接的两个节点所表示的原子的空间位置关系。边的数目根据应用场景的不同可以不同，示例性的，在一种可能的实施例中，三维分子图中每两个节点之间存在一条边，在另一种可能的实施例中，三维分子图中仅有部分节点之间存在边，而另一部分节点之间不存在边，例如，仅有所表示的原子之间的距离小于预设距离阈值的节点间存在边，而所表示的原子之间的距离大于预设距离阈值的节点间不存在边。
每个坐标对应于一个节点，不同坐标对应于不同的节点，且每个坐标用于表示所对应的节点所表示的原子在目标分子的分子结构图中的位置。
三维分子图可以是图像的形式表示的，也可以是图像以外的其他形式表示的，例如，三维分子图可以是以任意能够表示节点、边、坐标的集合的结构体的形式表示的。
如前述说明，由于二维分子图和三维分子图能够视为节点、边、坐标的集合，因此，下文中为描述方便，将二维视图记为{v，ε2d，c2d}，将三维视图记为{v，ε3d，c3d}，其中，v为节点的集合，ε2d为二维分子图中边的集合，c2d为二维分子图中坐标的集合，ε3d为三维分子图中边的集合，c3d为三维分子图中坐标的集合。
由于节点与原子之间存在一一对应关系，因此本文中为描述方便，以节点所表示的原子代称该节点。
本公开对生成二维分子图和三维分子图的方式不做任何限制，示例性的，下面将对如何生成二维分子图二号三维分子图进行示例性说明：
对于三维分子图，根据目标分子的分子式，基于能量近似原则确定目标分子中各原子在三维空间中所处空间位置，并根据空间位置，连接每两个距离小于预设距离阈值的原子，得到目标分子的三维分子图。
其中，能量近似原则是指：在分子内对称性匹配的原子轨道中，只有能量相近的原子轨道才能够组合成有效的分子轨道。可以使用基于能量近似原则设计的映射关系将目标分子的分子式映射为三维空间中所处的空间位置，从而得到目标分子中各原子在三维空间中所处的空间位置。预设距离阈值可以根据实际需求和/或用户经验进行设置。
可以理解的是，目标分子的分子式是已知，因此目标分子中原子的集合v是已知的，而在确定得到目标分子中各原子在三维空间中所处空间位置的情况下，坐标集合c3d是已知的，而通过连接距离小于预设距离阈值的原子，则可以得到边的集合，并且由于是连接距离小于预设距离阈值的原子，因此通过连接原子形成的边能够表示所连接的原子之间距离较近，即通过连接原子得到的边的集合能够作为三维分子图中的边集合ε3d，即边能够表示空间位置关系，因此通过连接距离小于预设距离阈值的原子即可得到用于表示目标分子中各原子间的位置关系的三维分子图{v，ε3d，c3d}。
可以理解的是，由于能量近似原则存在一定的不确定性，因此基于能量近似原则无法唯一确定分子中各原子在三维空间中所处的空间位置，基于此，在一种可能的实施例中，前述基于能量近似原则确定目标分子中各原子在三维空间中所处空间位置通过以下方式实现：
基于能量近似原则多次确定目标分子中各原子在三维空间中所处的预测位置，由于能量近似原则存在一定的不确定性，因此多次确定的预测位置不完全相同(甚至完全不同)。针对目标分子中的每个原子，确定该原子的各预测位置的均值，作为该原子在三维空间中所处的空间位置。
示例性的，假设一共确定了P次预测位置，并且在第一次确定得到的预测位置中第一原子的空间坐标为c1，在第二次确定得到的预测位置中第一原子的空间坐标为c2，以此类推，则第一原子的空间位置通过公式(1)计算得到：
其中，c为第一原子的空间位置。选用该实施例，可以通过重复基于能量近似原则确定预测位置，并取预测位置的均值作为空间位置，从而在一定程度上消除能量近似原则的不确定性，提高确定得到的三维分子图的准确性，从而提高后续训练得到的分子表征模型的准确性。
对于二维分子图，根据目标分子的分子式，连接每两个通过共价键连接的原子，得到目标分子的二维分子图。
可以理解的是，目标分子的分子式是已知，因此目标分子中原子的集合v是已知的，且目标分子的分子结构图是已知的，因此目标分子中各原子在分子结构图中所处位置也是已知的，即坐标集合c2d是已知的，而通过连接每两个通过共价键连接的原子，则可以得到边的集合，并且由于是连接通过共价键连接的原子，因此通过连接原子形成的边能够表示目标分子中的共价键，即通过连接原子得到的边的集合能够作为二维分子图中的边集合ε2d，，因此通过连接通过共价键连接的原子即可得到用于表示目标分子中各原子间的化学键的二维分子图{v，ε2d，c2d}。
在S102中，聚合的方式包括但不限于拼接、融合等，本公开对此不做任何限制。示例性的，在一种可能的实施例中，对于二维分子图中的每个边，按照公式(2)聚合该边连接的两个原子的原子
其中，为二维分子图中连接原子u和原子v的边的新的边特征，/>为二维分子图中原子u的原子特征，/>为二维分子图中原子v的原子特征，/>为二维分子图中连接原子u和原子v的边的初始的边特征，MLP(·)为消息传递函数。
对于三维分子图中的每个边，按照公式(3)聚合该边连接的两个原子的原子
其中，为三维分子图中连接原子u和原子v的边的新的边特征，/>为三维分子图中原子u的原子特征，/>为三维分子图中原子v的原子特征，ruv为二维分子图中连接原子u和原子v的边初始的边特征，MLP(·)为消息传递函数。且公式(3)中的消息传递函数与公式(2)中的消息传递函数可以为相同的消息传递函数，也可以为不同的消息传递函数。
通过聚合边所连接的原子的原子特征和边的边特征，能够使得边的新的边特征中包含所连接的原子的原子特征，即实现了由原子向边传播特征。
在S103中，聚合的方式包括但不限于拼接、融合等，本公开对此不做任何限制。示例性的，在一种可能的实施例中，对于二维分子图中的原子v，按照公式(4)聚合连接于该原子的各个边的边特征：
其中，为二维分子图中原子v的新的原子特征，/>为二维分子图中连接原子u和原子v的边的边特征，D(av)为二维分子图中所有连接于原子v的边的集合，为预设权重矩阵。luv为用于表示二维分子图中原子u和原子v之间的距离的几何表征向量。⊙表示两个向量对应的元素分别相乘的操作符，示例性的，假设向量A为(a1，a2，a3)，向量B为(b1，b2，b3)，则A⊙B＝(a1*b1，a2*b2，a3*b3)。
对于三维分子图中的原子v，按照公式(5)聚合连接于该原子的各个边的边特征：
其中，为二维分子图中原子v的新的原子特征，/>为三维分子图中连接原子u和原子v的边的边特征，D(av)为三维分子图中所有连接于原子v的边的集合，为预设权重矩阵。ruv为用于表示三维分子图中原子u和原子v之间的距离的几何表征向量。
通过聚合连接于同一原子的各个边的边特征，能够使得该原子的新的原子特征中包含连接于该原子的各个边的边特征，即实现了由边向原子传播特征。
并且，S102和S103可以仅执行一次，也可以重复执行多次，以使得特征在分子图中充分传播，例如，在执行S103之后返回执行S102，直至循环预设次数，则执行S104。
在S104中，如前述说明，由于在S102中特征信息从原子向边传播，而在S103中特征信息又从边向原子传播，因此特征信息将沿着分子图的拓扑结构进行传播，以使得分子图中各原子的原子特征不仅包含用于表征该原子的特征，还包含能够表征分子图的拓扑结构的特征，而如前述分析，二维分子图的拓扑结构能够表征目标分子的化学语义，三维分子图的拓扑结构能够表征目标分子的空间结构信息，因此根据分子图中各原子的原子特征提取到的二维特征和三维特征，能够分别表征目标分子的化学语义和空间结构信息，即得到的二维特征和三维特征能够更为全面地表征目标分子。
在S105中，映射关系可以是指二维特征、三维特征与化学性质之间的映射关系，也可以是指基于二维特征和三维特征计算得到的融合特征与化学性质之间的映射关系。
若映射关系是指二维特征、三维特征与化学性质之间的映射关系，则利用映射关系直接对待预测分子的二维特征和三维特征进行映射，得到目标分子的化学性质。
若映射关系是指融合特征与化学性质之间的映射关系，则根据待预测分子的二维特征和三维特征计算得到融合特征，计算方式包括但不限于拼接、加权相加等，并利用映射关系对融合特征进行映射，得到目标分子的化学性质。
如前述分析，通过从原子向边和从边向原子的特征信息传播，能够实现使得分子图的拓扑结构信息被传播至各个原子的原子特征，在一种可能的实施例中，为进一步加速拓扑结构信息的传递，在前述S102和S103之间还可以包括：
S106，针对二维分子图和三维分子图中的每个边，根据边与边的邻边之间的夹角，更新边的边特征。
可以理解的是，边与边的邻边之间的夹角能够在一定程度上反映出分子图的拓扑结构，因此根据边与边的邻边之间的夹角更新边的边特征可以视为拓扑结构信息由边向边的传递。
选用该实施例，能够在从边向原子传播拓扑结构信息之前，在边与边之间传递拓扑结构信息，以使得拓扑结构信息充分传播，使得后续由边向原子传播时能够传播更丰富的拓扑结构信息，从而使得原子的原子特征中包含更为丰富的能够表征拓扑结构的特征，进而使得后续根据原子的原子特征确定得到的二维特征和三维特征能够更准确表征目标分子的化学语义和空间结构，即更为准确地表征目标分子，从而进一步提高预测得到的目标分子的化学性质的准确性。
在一种可能的实施例中，对于二维分子图中连接原子u和原子v的边，按照公式(6)对边特征进行更新：
其中，为二维分子图中用于连接原子u和原子v的边(下文简称uv边)的特征，A(euv)表示二维分子图中与uv边相邻的边的集合，φwuv表示uv边与用于连接原子u和原子w的边(下文简称uw边)之间的夹角，/>和/>为预设权重矩阵。
对于三维分子图中的uv边也可以按照上述公式(6)对边特征进行更新，区别仅在于将二维分子图中uv边的边特征替换为三维分子图中uv边的边特征。
可以理解的是，三维分子图中的边用于目标分子中各原子间的空间位置关系，二维分子图中的边用于表示目标分子中各原子间的化学键，而目标分子中的两个原子间即使不存在化学键，也可能存在一定的空间位置关系，例如，两个原子之间的空间距离相对较近，但是该两个原子间尚未形成化学键。因此，三维分子图中的边的数目往往多于二维分子图中边的数目，导致三维分子图中各边的邻边的数目较多，导致更新边的特征时所需参考的夹角过多，更新效率较低。
基于此，在一种可能的实施例中，前述S105中针对三维分子图中的每个边，通过以下方式更新边的边特征：
针对每个角度域，根据边与角度域内的其他边之间的夹角，确定角度域的三维表征，三维表征与夹角正相关。对每个角度域的三维表征进行池化，得到边的新的边特征。
其中，对于每个边，根据其他边与该边间的空间角所处取值区间，将其他变划分为多个角度域，每个其他边属于且仅属于一个角度域，角度域内可以包括一个或多个其他边，也可以不包括其他边。角度域的划分方式根据实际需求的不同可以不同，但是应当尽可能使得其他边均匀地分布在各个角度域内。
选用该实施例，可以通过划分角度域的方式，先聚合角度域内各个其他边的拓扑信息，再根据经过聚合的拓扑信息更新该边的边特征，由于每个角度域内包括的其他边的数目相对其他边的总数较小，因此避免了更新边的特征时所需参考的夹角过多，有效提高了更新边特征的效率，从而提高了分子表征的效率，即提高了预测分子性质的效率。
在一种可能的实施例中，针对第i个角度域的三维表征按照公式(7)计算得到：
其中，为第i个角度域的三维表征，/>为三维分子图中uv边的边特征，为预设权重系数，θwuv为uw边与uv边的夹角，Ai(euv)为第i个角度域内与uv边的邻边的集合。
在该实施例中，通过公式(8)对每个角度域的三维表征进行池化：
其中，为uv边的新的边特征，n为角度域的个数，Pool(·)为最大池化函数。
在一种可能的实施例中，前述S104通过以下方式实现：
分别针对二维分子图和三维分子图中各原子的原子特征进行注意力池化，得到二维分子图的二维特征和三维分子图的三维特征。
其中，注意力池化是指基于注意力机制的池化操作，即在池化操作的过程中为不同原子设置不同的权重，以使得不同原子的原子特征对池化结果的影响程度不同。
选用该实施例，可以通过注意力机制使得更为重要的原子的原子特征被分配相对更高的权重，而不太重要的原子的原子特征被分配相对较低的权重，从而使得得到的二维特征和三维特征能够更为明显的表征这些更为重要的原子。可以理解的是，虽然每个目标分子中的每个原子都在一定程度上影响着目标分子的化学性质，但是不同原子对化学性质的影响程度不同，示例性的，假设目标分子的化学性质主要由目标分子中的羟基决定，则属于羟基的原子相对不属于羟基的原子对目标分子的化学性质的影响更大。可见，分子表征中这些相对重要的原子的原子特征表征的越明显，则分子表征能够更准确地反映出目标分子的化学性质，即选用该实施例，能够进一步提高得到的二维特征和三维特征的准确性，从而进一步提高预测得到的化学性质的准确性。
下面将对注意力池化的方式进行示例性说明，在一种可能的实施例中，按照公式(9)进行注意力池化：
ht+1＝GRU(ht，gt)…(9)
其中，t为取值范围为[0,Tg]的整数，Tg为注意力池化过程中进行池化的次数，GRU(·)为门循环单元(Gate Recurrent Unit)函数。在确定二维特征时，h0为二维分子图中各原子的最新的原子特征之和，在确定三维特征时，h0为三维分子图中各原子的最新的原子特征之和。
gt通过公式(10)计算得到：
其中，在确定二维特征时，av为二维分子图中原子v的最新的原子特征，在确定三维特征时，av为三维分子图中原子v的最新的原子特征，V为原子集合。Softmax(·)为一种逻辑递归函数。为预设权重矩阵。
αv通过公式(11)计算得到：
αv＝LeakyRelu(qT|ht||av|)…(11)
其中，LeakyRelu(·)为一种激活函数，qT为预设权重矩阵。
本公开提供的分子性质预测方法可以是通过基于深度学习训练得到的神经网络实现的，也可以是通过基于传统机器学习生成的算法模型实现的。为了更清楚的对本公开提供的分子性质预测方法进行说明，下面将对通过神经网络实现的情况进行示例性说明，如图2所示，图2所示为本公开提供的用于实现分子性质预测方法的消息传递网络(MessagePassing Neural Networks，MPNN)的结构示意图，该消息传递网络用于实现前述S102-S104以及S106的步骤。
消息传递网络包括多个消息传递层和池化模块，每个消息传递层包括：二维原子向边传播模块、二维边向边传播模块、二维边向原子传播模块、三维原子向边传播模块、三维边向边传播模块、三维边向原子传播模块。
其中，二维原子向边传播模块的输入包括二维分子图中的原子集合、边集合、各边的长度、各边之间的夹角，并且除去第一个消息传递层，其他消息传递层中的二维原子向边传播模块的输入还包括上一个消息传递层的二维边向原子传播模块的输出。二维原子向边传播模块用于实现前述S102中的针对二维分子图中的每个边，聚合边连接的两个原子的原子特征和边的边特征，得到边的新的边特征。并将边的新的边特征输入至二维边向边传播模块。
二维边向边传播模块的输入包括二维分子图中的原子集合、边集合、各边的长度、各边之间的夹角，以及二维原子向边传播模块输出的各边的新的边特征。二维边向边传播模块用于实现前述S106中的，针对二维分子图中的每个边，根据边与边的邻边之间的夹角，更新边的边特征。并将各个边更新后的边特征输入至二维边向原子传播模块。
二维边向原子传播模块的输入包括二维分子图中的原子集合、边集合、各边的长度、各边之间的夹角，以及二维边向边传播模块输出的各个边更新后的边特征。并且除去第一个消息传递层，其他消息传递层中的二维边向原子传播模块的输入还包括上一个消息传递层的二维边向原子传播模块的输出。二维边向原子传播模块用于实现前述S103中的针对二维分子图中每个原子，聚合连接于该原子的各个边的边特征，得到并输出原子的新的原子特征。
三维原子向边传播模块的输入包括三维分子图中的原子集合、各边的长度、各边之间的夹角，并且除去第一个消息传递层，其他消息传递层中的三维原子向边传播模块的输入还包括上一个消息传递层的三维边向原子传播模块的输出。三维原子向边传播模块用于实现前述S102中的针对三维分子图中的每个边，聚合边连接的两个原子的原子特征和边的边特征，得到边的新的边特征。并将边的新的边特征输入至三维边向边传播模块。
三维边向边传播模块的输入包括三维分子图中的原子集合、各边的长度、各边之间的夹角，以及三维原子向边传播模块输出的各边的新的边特征。三维边向边传播模块用于实现前述S105中的，针对三维分子图中的每个边，根据边与边的邻边之间的夹角，更新边的边特征。并将各个边更新后的边特征输入至三维边向原子传播模块。
三维边向原子传播模块的输入包括三维分子图中的原子集合、各边的长度、各边之间的夹角，以及三维边向边传播模块输出的各个边更新后的边特征。并且除去第一个消息传递层，其他消息传递层中的三维边向原子传播模块的输入还包括上一个消息传递层的三维边向原子传播模块的输出。三维边向原子传播模块用于实现前述S103中的针对三维分子图中每个原子，聚合连接于该原子的各个边的边特征，得到并输出原子的新的原子特征。
池化模块的输入为最后一个消息传递层中二维边向节点传播模块和三维边向节点传播模块的输出。池化模块用于实现前述S104的步骤，池化模块的输出为二维特征二号三维特征。
可以理解的是，在该消息传递网络中，二维原子向边传播模块、二维边向边传播模块、二维边向原子传播模块的输出为二维的特征向量，三维原子向边传播模块、三维边向边传播模块、三维边向原子传播模块的输出为三维的特征向量。
下面将对如何对图2所示的消息传递网络进行训练进行说明，在一种可能的实施例中，可以使用标注有二维特征和三维特征的样本分子通过监督学习的方式对消息传递网络进行训练，在另一种可能的实施例中也可以通过对比学习的方式对消息传递网络进行训练，例如，将各个样本分子的二维分子图和三维分子图输入至消息传递网络，得到消息传递网络输出的各样本分子的二维特征和三维特征，根据各二维特征和三维特征之间的差异，调整消息传递网络的网络参数，如前述各公式中的权重矩阵。
并且，可以在对消息传递网络进行训练后，还可以根据实际需求对消息传递网络进行第二次训练，由于第一次训练是在第二次训练之前预先进行的，因此第一次训练称为预训练。
对于第二次训练，示例性的，将标注有化学性质的样本分子的二维分子图和三维分子图输入至经过预训练的消息传递网络，得到二维特征和三维特征，根据二维特征和三维特征预测样本分子的化学性质，根据预测得到的化学性质与样本分子标注的化学性质之间的差异，调整消息传递网络的模型参数。
参见图3，图3所示为本公开提供的分子性质预测装置图的一种结构示意图，包括：
分子图生成模块301，用于根据目标分子的分子式，生成所述目标分子的二维分子图和三维分子图，其中，所述二维分子图和所述三维分子图中包括原子和边，所述二维分子图和所述三维分子图中的原子用于表示所述目标分子中的原子，所述二维分子图中的边用于表示所述目标分子中各原子间的化学键，所述三维分子图中的边用于表示所述目标分子中各原子间的位置关系；
原子向边传播模块302，用于针对所述二维分子图和所述三维分子图中每个边，聚合所述边所连接的两个原子的原子特征和所述边的边特征，得到所述边的新的边特征；
边向原子传播模块303，用于针对所述二维分子图和所述三维分子图中每个原子，聚合连接于所述原子的各个边的边特征，得到所述原子的新的原子特征；
特征确定模块304，用于根据各原子的原子特征，确定所述二维分子图的二维特征和所述三维分子图的三维特征。
性质预测模块305，用于根据预设的特征与化学性质之间的映射关系，确定所述二维特征和所述三维特征对应的化学性质，作为所述目标分子的化学性质。
在一种可能的实施例中，还包括：
边向边传播模块，用于针对所述二维分子图和所述三维分子图中的每个边，根据所述边与所述边的邻边之间的夹角，更新所述边的边特征。
在一种可能的实施例中，所述边向边传播模块根据所述边与所述边的邻边之间的夹角，更新所述边的边特征，包括：
针对每个角度域，根据所述边与所述角度域内的其他边之间的夹角，确定所述角度域的三维表征，所述三维表征与所述夹角正相关；
对每个所述角度域的所述三维表征进行池化，得到所述边的新的边特征。
在一种可能的实施例中，所述特征确定模块304根据各原子的原子特征，确定所述二维分子图的二维特征和所述三维分子图的三维特征，包括：
分别针对所述二维分子图和所述三维分子图中各原子的原子特征进行注意力池化，得到所述二维分子图的二维特征和所述三维分子图的三维特征。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图4示出了可以用来实施本公开的实施例的示例电子设备400的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图4所示，设备400包括计算单元401，其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序，来执行各种适当的动作和处理。在RAM 403中，还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
设备400中的多个部件连接至I/O接口405，包括：输入单元406，例如键盘、鼠标等；输出单元407，例如各种类型的显示器、扬声器等；存储单元408，例如磁盘、光盘等；以及通信单元409，例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法和处理，例如分子性质预测方法。例如，在一些实施例中，分子性质预测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元408。在一些实施例中，计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元401执行时，可以执行上文描述的分子性质预测方法的一个或多个步骤。备选地，在其他实施例中，计算单元401可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行分子性质预测方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式***的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (11)
1.一种分子性质预测方法，包括：
根据目标分子的分子式，生成所述目标分子的二维分子图和三维分子图，其中，所述二维分子图和所述三维分子图中包括原子和边，所述二维分子图和所述三维分子图中的原子用于表示所述目标分子中的原子，所述二维分子图中的边用于表示所述目标分子中各原子间的化学键，所述三维分子图中的边用于表示所述目标分子中各原子间的位置关系；
针对所述二维分子图和所述三维分子图中每个边，基于消息传递函数聚合所述边所连接的两个原子的原子特征和所述边的边特征，得到所述边的新的边特征；
针对所述二维分子图和所述三维分子图中每个原子，通过加权求和聚合连接于所述原子的各个边的新的边特征，得到所述原子的新的原子特征；
根据各原子的原子特征，确定所述二维分子图的二维特征和所述三维分子图的三维特征；
根据预设的特征与化学性质之间的映射关系，确定所述二维特征和所述三维特征对应的化学性质，作为所述目标分子的化学性质。
2.根据权利要求1所述的方法，还包括：
针对所述二维分子图和所述三维分子图中的每个边，根据所述边与所述边的邻边之间的夹角，更新所述边的边特征。
3.根据权利要求2所述的方法，其中，所述根据所述边与所述边的邻边之间的夹角，更新所述边的边特征，包括：
针对每个角度域，根据所述边与所述角度域内的其他边之间的夹角，确定所述角度域的三维表征，所述三维表征与所述夹角正相关；
对每个所述角度域的所述三维表征进行池化，得到所述边的新的边特征。
4.根据权利要求1所述的方法，其中，所述根据各原子的原子特征，确定所述二维分子图的二维特征和所述三维分子图的三维特征，包括：
分别针对所述二维分子图和所述三维分子图中各原子的原子特征进行注意力池化，得到所述二维分子图的二维特征和所述三维分子图的三维特征。
5.一种分子性质预测装置，包括：
分子图生成模块，用于根据目标分子的分子式，生成所述目标分子的二维分子图和三维分子图，其中，所述二维分子图和所述三维分子图中包括原子和边，所述二维分子图和所述三维分子图中的原子用于表示所述目标分子中的原子，所述二维分子图中的边用于表示所述目标分子中各原子间的化学键，所述三维分子图中的边用于表示所述目标分子中各原子间的位置关系；
原子向边传播模块，用于针对所述二维分子图和所述三维分子图中每个边，基于消息传递函数聚合所述边所连接的两个原子的原子特征和所述边的边特征，得到所述边的新的边特征；
边向原子传播模块，用于针对所述二维分子图和所述三维分子图中每个原子，通过加权求和聚合连接于所述原子的各个边的新的边特征，得到所述原子的新的原子特征；
特征确定模块，用于根据各原子的原子特征，确定所述二维分子图的二维特征和所述三维分子图的三维特征；
性质预测模块，用于根据预设的特征与化学性质之间的映射关系，确定所述二维特征和所述三维特征对应的化学性质，作为所述目标分子的化学性质。
6.根据权利要求5所述的装置，还包括：
边向边传播模块，用于针对所述二维分子图和所述三维分子图中的每个边，根据所述边与所述边的邻边之间的夹角，更新所述边的边特征。
7.根据权利要求6所述的装置，其中，所述边向边传播模块根据所述边与所述边的邻边之间的夹角，更新所述边的边特征，包括：
针对每个角度域，根据所述边与所述角度域内的其他边之间的夹角，确定所述角度域的三维表征，所述三维表征与所述夹角正相关；
对每个所述角度域的所述三维表征进行池化，得到所述边的新的边特征。
8.根据权利要求5所述的装置，其中，所述特征确定模块根据各原子的原子特征，确定所述二维分子图的二维特征和所述三维分子图的三维特征，包括：
分别针对所述二维分子图和所述三维分子图中各原子的原子特征进行注意力池化，得到所述二维分子图的二维特征和所述三维分子图的三维特征。
9.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-4中任一项所述的方法。
11.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-4中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210165349.5A CN114446413B (zh) | 2022-02-17 | 2022-02-17 | 一种分子性质预测方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210165349.5A CN114446413B (zh) | 2022-02-17 | 2022-02-17 | 一种分子性质预测方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114446413A CN114446413A (zh) | 2022-05-06 |
| CN114446413B true CN114446413B (zh) | 2024-05-28 |
Family
ID=81373997
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210165349.5A Active CN114446413B (zh) | 2022-02-17 | 2022-02-17 | 一种分子性质预测方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114446413B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB0106441D0 (en) * | 2001-03-15 | 2001-05-02 | Bayer Ag | Method for generating a hierarchical topological tree of 2D or 3D-structural formulas of chemical compounds for property optimization of chemical compounds |
| CN110767271A (zh) * | 2019-10-15 | 2020-02-07 | 腾讯科技（深圳）有限公司 | 化合物性质预测方法、装置、计算机设备及可读存储介质 |
| CN112185477A (zh) * | 2020-09-25 | 2021-01-05 | 北京望石智慧科技有限公司 | 分子特征的提取及三维定量构效关系的计算方法及装置 |
| CN113140267A (zh) * | 2021-03-25 | 2021-07-20 | 北京化工大学 | 一种基于图神经网络的定向分子生成方法 |
| CN113241126A (zh) * | 2021-05-18 | 2021-08-10 | 百度时代网络技术（北京）有限公司 | 用于训练确定分子结合力的预测模型的方法和装置 |
| CN113241130A (zh) * | 2021-06-08 | 2021-08-10 | 西南交通大学 | 一种基于图卷积网络的分子结构预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10622098B2 (en) * | 2017-09-12 | 2020-04-14 | Massachusetts Institute Of Technology | Systems and methods for predicting chemical reactions |
-
2022
- 2022-02-17 CN CN202210165349.5A patent/CN114446413B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB0106441D0 (en) * | 2001-03-15 | 2001-05-02 | Bayer Ag | Method for generating a hierarchical topological tree of 2D or 3D-structural formulas of chemical compounds for property optimization of chemical compounds |
| CN110767271A (zh) * | 2019-10-15 | 2020-02-07 | 腾讯科技（深圳）有限公司 | 化合物性质预测方法、装置、计算机设备及可读存储介质 |
| CN112185477A (zh) * | 2020-09-25 | 2021-01-05 | 北京望石智慧科技有限公司 | 分子特征的提取及三维定量构效关系的计算方法及装置 |
| CN113140267A (zh) * | 2021-03-25 | 2021-07-20 | 北京化工大学 | 一种基于图神经网络的定向分子生成方法 |
| CN113241126A (zh) * | 2021-05-18 | 2021-08-10 | 百度时代网络技术（北京）有限公司 | 用于训练确定分子结合力的预测模型的方法和装置 |
| CN113241130A (zh) * | 2021-06-08 | 2021-08-10 | 西南交通大学 | 一种基于图卷积网络的分子结构预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 三维分子模型VAX图形工作站;张福贵;朱敏慧;刘丽;范依文;;计算机与应用化学;19890731;第6卷(第03期);20-26 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114446413A (zh) | 2022-05-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7354320B2 (ja) | 量子デバイスのノイズ除去方法および装置、電子機器、コンピュータ可読記憶媒体並びにコンピュータプログラム | |
| CN112819971B (zh) | 虚拟形象的生成方法、装置、设备和介质 | |
| US20220130495A1 (en) | Method and Device for Determining Correlation Between Drug and Target, and Electronic Device | |
| CN114357105B (zh) | 地理预训练模型的预训练方法及模型微调方法 | |
| CN112580733B (zh) | 分类模型的训练方法、装置、设备以及存储介质 | |
| CN113190719B (zh) | 节点分组方法、装置及电子设备 | |
| CN114139712B (zh) | 量子电路的处理方法、处理装置、电子设备和存储介质 | |
| CN115147680B (zh) | 目标检测模型的预训练方法、装置以及设备 | |
| CN114398834A (zh) | 粒子群优化算法模型的训练方法、粒子群优化方法及装置 | |
| CN116453221A (zh) | 目标对象姿态确定方法、训练方法、装置以及存储介质 | |
| KR20220042315A (ko) | 교통 데이터 예측 방법, 장치 및 전자 기기 | |
| CN113098624B (zh) | 量子态测量方法、装置、设备、存储介质及*** | |
| CN114446413B (zh) | 一种分子性质预测方法、装置及电子设备 | |
| CN116524165B (zh) | 三维表情模型的迁移方法、装置、设备和存储介质 | |
| AU2022203778B2 (en) | Function processing method and device and electronic apparatus | |
| CN114566232A (zh) | 一种分子表征模型训练方法、装置及电子设备 | |
| CN115458040B (zh) | 蛋白质的生成方法、装置、电子设备及存储介质 | |
| Nasir et al. | Fast trust computation in online social networks | |
| CN115687764A (zh) | 车辆轨迹评估模型的训练方法、车辆轨迹评估方法和装置 | |
| CN113313049A (zh) | 超参数的确定方法、装置、设备、存储介质以及计算机程序产品 | |
| CN113361719A (zh) | 基于图像处理模型的增量学习方法和图像处理方法 | |
| US11954412B1 (en) | Data transfer between a two-dimensional space and a three-dimensional space for multiphysics simulations | |
| CN117522614B (zh) | 一种数据的处理方法、装置、电子设备及存储介质 | |
| CN116416500B (zh) | 图像识别模型训练方法、图像识别方法、装置及电子设备 | |
| Kim et al. | Cooperative range-only SLAM based on Rao-Blackwellized particle filter |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |