CN114822718B - 基于图神经网络的人体口服生物利用度预测方法 - Google Patents
基于图神经网络的人体口服生物利用度预测方法 Download PDFInfo
- Publication number
- CN114822718B CN114822718B CN202210306054.5A CN202210306054A CN114822718B CN 114822718 B CN114822718 B CN 114822718B CN 202210306054 A CN202210306054 A CN 202210306054A CN 114822718 B CN114822718 B CN 114822718B
- Authority
- CN
- China
- Prior art keywords
- neural network
- atomic
- information
- atoms
- chemical bond
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000000126 substance Substances 0.000 claims abstract description 119
- 239000011159 matrix material Substances 0.000 claims abstract description 27
- 238000010521 absorption reaction Methods 0.000 claims abstract description 19
- 230000005540 biological transmission Effects 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 5
- 230000000977 initiatory effect Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 abstract description 5
- 238000011161 development Methods 0.000 description 6
- 239000003814 drug Substances 0.000 description 6
- 229940079593 drug Drugs 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000009509 drug development Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012827 research and development Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000009396 hybridization Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000002547 new drug Substances 0.000 description 2
- 229940126701 oral medication Drugs 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004085 atomic integral Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007876 drug discovery Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229940043263 traditional drug Drugs 0.000 description 1
- 239000002699 waste material Substances 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Medicinal Chemistry (AREA)
- Pharmacology & Pharmacy (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了分子化学性质预测技术领域的基于图神经网络的人体口服生物利用度预测方法,包括初始原子、化学键特征抽取模块和图神经网络模块;初始原子、化学键特征抽取模块,图神经网络需要将分子结构信息转化为分子图,需要定义原子和化学键的初始特征以供图神经网络使用,利用原子结构信息,构建原子邻接矩阵代表分子的拓扑结构;图神经网络模块,图神经网络的前向传播包含两个步骤,包括消息传递和读出,消息传递需要进行多次以生成好的原子、化学键的隐藏表示,能够通过使用图神经网络,避免分子描述符的抽取,减少工作量,使用化学键消息吸收机制,使得化学键辅助模型学习到更好的分子表示,提高图神经网络的解释性。
Description
技术领域
本发明涉及分子化学性质预测技术领域,具体为基于图神经网络的人体口服生物利用度预测方法。
背景技术
人体口服生物利用度是人体口服药物研发中最重要的药代动力学特性之一。在口服药物发现和研发的早期阶段,排除人体口服生物利用度低的候选药物,可以减少资源的消耗。目前,常使用基于特定计算方法或基于专家定义的分子描述符结合机器学习算法预测候选药物的人体口服生物利用度,这种基于预定义的分子描述符不仅增加了工作量,而且不会为口服药物研发带来新见解和新思想,传统预测人体口服生物利用度使用分子描述符结合机器学习开发预测模型,但分子描述符往往基于以往的药物研发经验,并不会为新药研发提供新的见解且存在一定不可避免的经验偏差。随着深度学习技术的发展,图神经网络已被广泛应用于分子性质预测任务中。使用图神经网络无需抽取分子描述符,仅需定义简单的原子特征和化学键特征即可自动学习分子隐藏表示,完成分子性质预测。因此,利用图神经网络构建人体口服生物利用度预测模型,辅助新药研发,促进人工智能在药物发现领域的应用和发展具有重大的现实意义。
由于人体口服生物利用度预测具有较高的理论研究与应用价值,能够显著减少由于候选药物过低的人体口服生物利用度导致的资源浪费,国内外许多研究者一直都在提出新的方法对此性质进行预测。Falcón-Cano[1]等人使用多种机器学习模型集成,抽取0D-2D多种分子描述符构建人体口服生物利用度预测模型,实验结果表明,在预测精度方面具有一定优势,这也是传统预测方法的代表。应用图神经网络预测人体口服生物利用度属于分子性质预测领域,Gilmer[3]等人提出消息传递图神经网络模型,基于原子消息传递构建图神经网络的卷积操作,在量子化学性质预测领域已大幅超过传统方法;
现有技术存在的缺点如下:
(1)人体口服生物利用度预测模型
以往的预测人体口服生物利用度预测模型以分子描述符作为分子表示,分子描述符可分为基于预定义的分子描述符和基于特定计算方法的分子描述符。基于预定义的分子描述符是由药理学家经过以往的药物研发经验开发的,目前人类合成的化合物只占化学空间的一小部分,基于以往的药物开发经验不可避免的会产生经验偏差且存在误判等问题。而对于基于特定计算方法的描述符来说,研究人员通常不知道该描述符与任务的相关性,这限制了对某种特定性质预测的性能,如人体口服生物利用度预测。利用图神经网络自动抽取与人体口服生物利用度高度相关的分子表示或将有助于以更精准的方式对该性质进行预测。
(2)基于图神经网络的分子性质预测模型
目前,图神经网络预测分子性质的前向传播过程并没有考虑到化学键的本质特性,化学键表示原子对周围的电子云。当原子状态发生改变时,化学键状态也应发生改变。然而,大部分模型在消息传递的过程没有更新化学键,即使更新了化学键,原子和化学键的交互也不充分。提高原子和化学键的相互作用,以一种符合化学知识的方式更新化学键,或将有助于提高图神经网络分子性质预测的性能。
基于此,本发明设计了基于图神经网络的人体口服生物利用度预测方法以解决上述问题。
发明内容
本发明的目的在于提供基于图神经网络的人体口服生物利用度预测方法,以解决上述背景技术中提出的问题。
1.为实现上述目的,本发明提供如下技术方案:基于图神经网络的人体口服生物利用度预测方法,包括初始原子、化学键特征抽取模块和图神经网络模块;
所述初始原子、化学键特征抽取模块,图神经网络需要将分子结构信息转化为分子图,需要定义原子和化学键的初始特征以供图神经网络使用,利用原子结构信息,构建原子邻接矩阵代表分子的拓扑结构;
所述图神经网络模块,图神经网络的前向传播包含两个步骤,包括消息传递和读出,消息传递需要进行多次以生成好的原子、化学键的隐藏表示,读出操作将原子、化学键的隐藏表示生成分子的隐藏表示,随后使用全连接网络进行预测,得到预测结果;
S1:消息传递,消息传递包括原子消息传递、化学键消息吸收、缩放自注意力三个阶段;
在原子消息传递阶段,分子图中的每个原子会吸收与其相连的原子和化学键的信息根据:
其中,和/>均为学习矩阵,dt和ct分别是在第t次更新中,原子状态向量和化学键状态向量的维度;dt+1是第t+1次更新中原子状态向量的维度;σ(·)是ReLU非线性激活函数;此过程用其周围邻居原子和与之相连的化学键的信息更新中心原子i自身信息;
在化学键消息吸收阶段,化学键会吸收与之相连的两个原子的信息用于更新其自身,根据:
其中,和/>均为学习矩阵,/>将与eij相连的两个原子的状态向量拼接;
通过原子消息传递和化学键消息吸收,使得原子的信息流向与其相连的原子和化学键,化学键也将吸收到周围原子信息,多次更新后,分子信息将流过所有原子和化学键,使得原子和化学键都具备其邻域的拓扑信息;
在缩放自注意力阶段,模型将聚焦于原子和化学键特征中,根据:
其中,Vt+1和Et+1分别为在第t次更新中,完成原子消息传递和化学键消息吸收时的原子和化学键的状态矩阵, 和/>均为学***均值放大到1,不受特征向量长度dt+1的影响,使模型更容易训练;
S2:读出,在读出阶段,使用多种读出函数同时处理原子和化学键,以获取到更好的分子隐藏表示,根据:
vall=Set2Set(VT)||Mean(VT)||Max(VT) (8)
eall=Set2Set(ET)||Mean(ET)||Max(ET) (9)
z=vall||eall (10)
其中,Mean(·)、Max(·)分别为全局平均池化和全局最大池化。
优选的,抽取原子初始特征包括原子类型、原子序数、芳香性、杂化方式特征作为原子表示;抽取化学键初始特征包括键类型、是否为共价键、立体异构类型特征作为化学键表示。
优选的,S1中,嵌入矩阵和/>分别用于将原子和化学键的信息嵌入到隐空间中,该空间维度为h;降维矩阵/>用于将隐空间中的信息转化为下层图神经网络所需的维度,/>用于收集原子i自身信息。
优选的,S1中,嵌入矩阵被用于嵌入这个两个原子信息到隐空间中,该隐空间维度为h,/>用于收集化学键eij自身的信息同样嵌入到隐空间中,降维矩阵/>用于将隐空间中的信息,转化为下一层图神经网络化学键所需要的维度。
优选的,S1中,注意力权重向量的平均值为
优选的,S1中,对化学键状态向量矩阵的处理方式与上述相同。
优选的,S2中,将多种Readout函数得到的结果进行拼接,使得到的原子整体表示vall和化学键整体表示eall将更能代表其整体状态。
优选的,S2中,将vall和eall拼接得到分子的隐藏表示z,再用全连接层f(·)进行预测,得到预测结果。
与现有技术相比,本发明的有益效果是:
1、该方法,提出化学键消息吸收,使得图神经网络能够根据分子结构信息自适应的融合重要层数特征,同时过滤噪声信息,提高分子表示能力;提出一种缩放自注意力机制,使模型能够关注到与人体口服生物利用度强相关的特征同时避免强相关特征被缩小过多,提高分子表示能力;该方法具有较强的解释性,能够分析与人体口服生物利用度高度相关的分子子结构,为新药研发提供超越人类视角的人工智能层面的新见解;
2、通过使用图神经网络,能够避免分子描述符的抽取,减少工作量,使用化学键消息吸收机制,使得化学键辅助模型学习到更好的分子表示,提高图神经网络的解释性。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的方法流程图;
图2为本发明的图神经网络模块示意图;
图3为本发明的原子消息传递和化学键消息吸收示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例1
请参阅图1至图3,本发明提供基于图神经网络的人体口服生物利用度预测方法技术方案:基于图神经网络的人体口服生物利用度预测方法,包括初始原子、化学键特征抽取模块和图神经网络模块;
所述初始原子、化学键特征抽取模块,图神经网络需要将分子结构信息转化为分子图,需要定义原子和化学键的初始特征以供图神经网络使用,抽取原子初始特征包括原子类型、原子序数、芳香性、杂化方式特征作为原子表示;抽取化学键初始特征包括键类型、是否为共价键、立体异构类型特征作为化学键表示,利用原子结构信息,构建原子邻接矩阵代表分子的拓扑结构;
所述图神经网络模块,图神经网络的前向传播包含两个步骤,包括消息传递和读出,消息传递需要进行多次以生成好的原子、化学键的隐藏表示,读出操作将原子、化学键的隐藏表示生成分子的隐藏表示,随后使用全连接网络进行预测,得到预测结果;
S1:消息传递,消息传递包括原子消息传递、化学键消息吸收、缩放自注意力三个阶段;
在原子消息传递阶段,分子图中的每个原子会吸收与其相连的原子和化学键的信息根据:
其中,和/>均为学习矩阵,dt和ct分别是在第t次更新中,原子状态向量和化学键状态向量的维度;dt+1是第t+1次更新中原子状态向量的维度;σ(·)是ReLU非线性激活函数;嵌入矩阵/>和/>分别用于将原子和化学键的信息嵌入到隐空间中,该空间维度为h;降维矩阵/>用于将隐空间中的信息转化为下层图神经网络所需的维度,/>用于收集原子i自身信息,此过程用其周围邻居原子和与之相连的化学键的信息更新中心原子i自身信息,图3(a)展示了原子消息传递的过程;
在化学键消息吸收阶段,化学键会吸收与之相连的两个原子的信息用于更新其自身,根据:
其中,和/>均为学习矩阵,/>将与eij相连的两个原子的状态向量拼接,嵌入矩阵/>被用于嵌入这个两个原子信息到隐空间中,该隐空间维度为h,/>用于收集化学键eij自身的信息同样嵌入到隐空间中,降维矩阵/>用于将隐空间中的信息,转化为下一层图神经网络化学键所需要的维度,化学键消息吸收过程如图3(b)所示;
通过原子消息传递和化学键消息吸收,使得原子的信息流向与其相连的原子和化学键,化学键也将吸收到周围原子信息,多次更新后,分子信息将流过所有原子和化学键,使得原子和化学键都具备其邻域的拓扑信息;
在缩放自注意力阶段,模型将聚焦于原子和化学键特征中,根据:
其中,Vt+1和Et+1分别为在第t次更新中,完成原子消息传递和化学键消息吸收时的原子和化学键的状态矩阵, 和/>均为学***均值为/>当直接使用此注意力权重向量与原子状态矩阵做哈达玛积,则会将所有特征的数值都缩小,即使是重要的特征,缩小幅度与dt+1的大小有关,dt+1越大,特征数值缩小的程度越大,将注意力权重向量放大dt+1倍,使得注意力权重向量的平均值放大到1,不受特征向量长度dt+1的影响,避免使用注意力时特征数值减小过大,使模型更容易训练,对化学键状态向量矩阵的处理方式与上述相同;
S2:读出,在读出阶段,使用多种读出函数同时处理原子和化学键,以获取到更好的分子隐藏表示,根据:
vall=Set2Set(VT)||Mean(VT)||Max(VT) (8)
eall=Set2Set(ET)||Mean(ET)||Max(ET) (9)
z=vall||eall (10)
其中,Mean(·)、Max(·)分别为全局平均池化和全局最大池化,将多种Readout函数得到的结果进行拼接,使得到的原子整体表示vall和化学键整体表示eall将更能代表其整体状态,将vall和eall拼接得到分子的隐藏表示z,再用全连接层f(·)进行预测,得到预测结果。
该方法,提出化学键消息吸收,使得图神经网络能够根据分子结构信息自适应的融合重要层数特征,同时过滤噪声信息,提高分子表示能力;提出一种缩放自注意力机制,使模型能够关注到与人体口服生物利用度强相关的特征同时避免强相关特征被缩小过多,提高分子表示能力;该方法具有较强的解释性,能够分析与人体口服生物利用度高度相关的分子子结构,为新药研发提供超越人类视角的人工智能层面的新见解;通过使用图神经网络,能够避免分子描述符的抽取,减少工作量,使用化学键消息吸收机制,使得化学键辅助模型学习到更好的分子表示,提高图神经网络的解释性。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (8)
1.基于图神经网络的人体口服生物利用度预测方法,其特征在于,包括初始原子、化学键特征抽取模块和图神经网络模块;
所述初始原子、化学键特征抽取模块,图神经网络需要将分子结构信息转化为分子图,需要定义原子和化学键的初始特征以供图神经网络使用,利用原子结构信息,构建原子邻接矩阵代表分子的拓扑结构;
所述图神经网络模块,图神经网络的前向传播包含两个步骤,包括消息传递和读出,消息传递需要进行多次以生成好的原子、化学键的隐藏表示,读出操作将原子、化学键的隐藏表示生成分子的隐藏表示,随后使用全连接网络进行预测,得到预测结果;
S1:消息传递,消息传递包括原子消息传递、化学键消息吸收、缩放自注意力三个阶段;
在原子消息传递阶段,分子图中的每个原子会吸收与其相连的原子和化学键的信息根据:
其中,和/>均为学习矩阵,dt和ct分别是在第t次更新中,原子状态向量和化学键状态向量的维度;dt+1是第t+1次更新中原子状态向量的维度;σ(·)是ReLU非线性激活函数;此过程用其周围邻居原子和与之相连的化学键的信息更新中心原子i自身信息;
在化学键消息吸收阶段,化学键会吸收与之相连的两个原子的信息用于更新其自身,根据:
其中,和/>均为学习矩阵,/>将与eij相连的两个原子的状态向量拼接;
通过原子消息传递和化学键消息吸收,使得原子的信息流向与其相连的原子和化学键,化学键也将吸收到周围原子信息,多次更新后,分子信息将流过所有原子和化学键,使得原子和化学键都具备其邻域的拓扑信息;
在缩放自注意力阶段,模型将聚焦于原子和化学键特征中,根据:
其中,Vt+1和Et+1分别为在第t次更新中,完成原子消息传递和化学键消息吸收时的原子和化学键的状态矩阵, 和/>均为学***均值放大到1,不受特征向量长度dt+1的影响,使模型更容易训练;
S2:读出,在读出阶段,使用多种读出函数同时处理原子和化学键,以获取到更好的分子隐藏表示,根据:
vall=Set2Set(VT)||Mean(VT)||Max(VT) (8)
eall=Set2Set(ET)||Mean(ET)||Max(ET) (9)
z=vall||eall (10)
其中,Mean(·)、Max(·)分别为全局平均池化和全局最大池化。
2.根据权利要求1所述的基于图神经网络的人体口服生物利用度预测方法,其特征在于:所述抽取原子初始特征包括原子类型、原子序数、芳香性、杂化方式特征作为原子表示;抽取化学键初始特征包括键类型、是否为共价键、立体异构类型特征作为化学键表示。
3.根据权利要求1所述的基于图神经网络的人体口服生物利用度预测方法,其特征在于:所述S1中,嵌入矩阵和/>分别用于将原子和化学键的信息嵌入到隐空间中,该空间维度为h;降维矩阵/>用于将隐空间中的信息转化为下层图神经网络所需的维度,/>用于收集原子i自身信息。
4.根据权利要求1所述的基于图神经网络的人体口服生物利用度预测方法,其特征在于:所述S1中,嵌入矩阵被用于嵌入这个两个原子信息到隐空间中,该隐空间维度为h,用于收集化学键eij自身的信息同样嵌入到隐空间中,降维矩阵/>用于将隐空间中的信息,转化为下一层图神经网络化学键所需要的维度。
5.根据权利要求1所述的基于图神经网络的人体口服生物利用度预测方法,其特征在于:所述S1中,注意力权重向量的平均值为
6.根据权利要求1所述的基于图神经网络的人体口服生物利用度预测方法,其特征在于:所述S1中,对化学键状态向量矩阵的处理方式与上述相同。
7.根据权利要求1所述的基于图神经网络的人体口服生物利用度预测方法,其特征在于:所述S2中,将多种Readout函数得到的结果进行拼接,使得到的原子整体表示vall和化学键整体表示eall将更能代表其整体状态。
8.根据权利要求1所述的基于图神经网络的人体口服生物利用度预测方法,其特征在于:所述S2中,将vall和eall拼接得到分子的隐藏表示z,再用全连接层f(·)进行预测,得到预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210306054.5A CN114822718B (zh) | 2022-03-25 | 2022-03-25 | 基于图神经网络的人体口服生物利用度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210306054.5A CN114822718B (zh) | 2022-03-25 | 2022-03-25 | 基于图神经网络的人体口服生物利用度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114822718A CN114822718A (zh) | 2022-07-29 |
CN114822718B true CN114822718B (zh) | 2024-04-09 |
Family
ID=82531176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210306054.5A Active CN114822718B (zh) | 2022-03-25 | 2022-03-25 | 基于图神经网络的人体口服生物利用度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114822718B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115966266B (zh) * | 2023-01-06 | 2023-11-17 | 东南大学 | 一种基于图神经网络的抗肿瘤分子强化方法 |
CN117935971B (zh) * | 2024-03-22 | 2024-06-21 | 中国石油大学(华东) | 基于图神经网络的深层钻井液处理剂性能预测评价方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113241128A (zh) * | 2021-04-29 | 2021-08-10 | 天津大学 | 基于分子空间位置编码注意力神经网络模型的分子性质预测方法 |
CN113299354A (zh) * | 2021-05-14 | 2021-08-24 | 中山大学 | 基于Transformer和增强交互型MPNN神经网络的小分子表示学习方法 |
WO2022022173A1 (zh) * | 2020-07-30 | 2022-02-03 | 腾讯科技(深圳)有限公司 | 药物分子属性确定方法、装置及存储介质 |
-
2022
- 2022-03-25 CN CN202210306054.5A patent/CN114822718B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022022173A1 (zh) * | 2020-07-30 | 2022-02-03 | 腾讯科技(深圳)有限公司 | 药物分子属性确定方法、装置及存储介质 |
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 |
CN113241128A (zh) * | 2021-04-29 | 2021-08-10 | 天津大学 | 基于分子空间位置编码注意力神经网络模型的分子性质预测方法 |
CN113299354A (zh) * | 2021-05-14 | 2021-08-24 | 中山大学 | 基于Transformer和增强交互型MPNN神经网络的小分子表示学习方法 |
Non-Patent Citations (1)
Title |
---|
基于分层注意力的信息级联预测模型;张志扬;张凤荔;陈学勤;王瑞锦;;计算机科学;20200615(06);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114822718A (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114822718B (zh) | 基于图神经网络的人体口服生物利用度预测方法 | |
CN112347268B (zh) | 一种文本增强的知识图谱联合表示学习方法及装置 | |
CN109345575B (zh) | 一种基于深度学习的图像配准方法及装置 | |
CN112883149B (zh) | 一种自然语言处理方法以及装置 | |
Hayashi | The right direction needed to develop white-box deep learning in radiology, pathology, and ophthalmology: A short review | |
Yao et al. | A review on image classification of remote sensing using deep learning | |
CN114661933A (zh) | 基于胎儿先心病超声图像—诊断报告的跨模态检索方法 | |
CN116403730A (zh) | 一种基于图神经网络的药物相互作用预测方法及*** | |
CN115240786A (zh) | 反应物分子的预测方法、训练方法、装置以及电子设备 | |
CN110019711A (zh) | 一种对医学文本数据结构化处理的控制方法及装置 | |
Liu et al. | Survey of road extraction methods in remote sensing images based on deep learning | |
CN116109678A (zh) | 基于上下文自注意力学习深度网络的目标跟踪方法与*** | |
Ye et al. | A novel automatic image caption generation using bidirectional long-short term memory framework | |
EP4318322A1 (en) | Data processing method and related device | |
CN117349708A (zh) | 一种基于浅层特征融合的电机故障智能诊断方法 | |
Cheng et al. | A survey on image semantic segmentation using deep learning techniques | |
Zhu et al. | Tri-HGNN: Learning triple policies fused hierarchical graph neural networks for pedestrian trajectory prediction | |
Bayoudh | A survey of multimodal hybrid deep learning for computer vision: Architectures, applications, trends, and challenges | |
CN114549896A (zh) | 用于生存预测的全视野图像的异构高阶表示方法及装置 | |
Chuang et al. | Deep learning‐based panoptic segmentation: Recent advances and perspectives | |
CN116701665A (zh) | 基于深度学习的中医古籍知识图谱构建方法 | |
CN114332489B (zh) | 基于不确定性感知的图像显著目标检测方法与*** | |
Ahmed et al. | DeepRoadNet: A deep residual based segmentation network for road map detection from remote aerial image | |
CN115019053A (zh) | 一种用于点云分类分割的动态图语义特征提取方法 | |
Chander | Deep learning network: deep neural networks |
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 |