CN116453615A - 一种预测方法、装置、可读存储介质及电子设备 - Google Patents
一种预测方法、装置、可读存储介质及电子设备 Download PDFInfo
- Publication number
- CN116453615A CN116453615A CN202310420710.9A CN202310420710A CN116453615A CN 116453615 A CN116453615 A CN 116453615A CN 202310420710 A CN202310420710 A CN 202310420710A CN 116453615 A CN116453615 A CN 116453615A
- Authority
- CN
- China
- Prior art keywords
- molecular
- property
- molecule
- predicted
- graph
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000003062 neural network model Methods 0.000 claims abstract description 60
- 238000012512 characterization method Methods 0.000 claims abstract description 28
- 239000000126 substance Substances 0.000 claims description 76
- 238000010586 diagram Methods 0.000 claims description 59
- 238000012549 training Methods 0.000 claims description 47
- 238000013145 classification model Methods 0.000 claims description 43
- 230000004927 fusion Effects 0.000 claims description 35
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- HEMHJVSKTPXQMS-UHFFFAOYSA-M Sodium hydroxide Chemical compound [OH-].[Na+] HEMHJVSKTPXQMS-UHFFFAOYSA-M 0.000 description 15
- 230000006870 function Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 231100000331 toxic Toxicity 0.000 description 8
- 230000002588 toxic effect Effects 0.000 description 8
- OKKJLVBELUTLKV-UHFFFAOYSA-N Methanol Chemical compound OC OKKJLVBELUTLKV-UHFFFAOYSA-N 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 231100000252 nontoxic Toxicity 0.000 description 4
- 230000003000 nontoxic effect Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 231100000956 nontoxicity Toxicity 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 231100000419 toxicity Toxicity 0.000 description 1
- 230000001988 toxicity 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
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书公开了一种预测方法、装置、可读存储介质及电子设备,基于待预测分子的分子结构,通过图神经网络模型,确定该待预测分子的子结构对应的指定子图,进而基于指定子图对应的指定特征,以及预设的各指定性质的表征特征,确定指定子图具有的指定性质,进而预测该待预测分子的分子性质。可见,该待预测分子具有其对应的分子性质,是因为该待预测分子包含具有指定性质的子结构。显然,该预测方法为该待预测分子具有其对应的分子性质提供了可解释性,保证了该预测结果的可信度。
Description
技术领域
本说明书涉及化学领域,尤其涉及一种预测方法、装置、可读存储介质及电子设备。
背景技术
随着计算机技术的发展和业务深入融合的需要,在医疗和化学领域,通过模型对分子性质进行预测,以基于预测得到的分子性质进行化合物筛选,已经成为深度学习在医疗和化学领域常见的应用场景之一。
目前,在预测分子性质时,通常需获取到待预测分子的分子结构,再将该分子结构输入预先训练完成的预测模型中,得到该预测模型输出的分子性质,作为预测得到的待预测分子的分子性质。
但是,通常情况下,由于预测模型仅能确定待预测分子的分子性质,而无法给出该待预测分子具有其对应的分子性质的原因,这就导致预测得到的分子性质的可信度不高。基于此,本说明书提供一种预测方法。
发明内容
本说明书提供一种预测方法、装置、可读存储介质及电子设备,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供一种预测方法,包括:
根据获取到的待预测分子包含的各原子以及所述各原子之间的化学键,建立以原子为节点、以化学键为边的分子图;
将所述分子图输入预先训练完成的图神经网络模型,得到所述图神经网络模型输出的所述分子图的若干指定子图,所述指定子图对应于所述待预测分子的分子结构中包含的子结构;
针对每个指定子图,确定该指定子图的指定特征,并根据所述指定特征和预存的各指定性质分别对应的表征特征,确定融合特征;
将所述融合特征输入分类模型,得到所述分类模型输出的目标分类结果,所述目标分类结果用于表征该指定子图对应的子结构具有的指定性质;
根据各指定子图分别对应的目标分类结果,预测所述待预测分子的分子性质。
可选地,将所述分子图输入预先训练完成的图神经网络模型,得到所述图神经网络模型输出的所述分子图的若干指定子图,具体包括:
将所述分子图输入预先训练的图神经网络模型中,得到所述图神经网络输出的所述待预测分子中的各化学键分别对应的置信度,所述置信度用于表征所述化学键对应的边属于指定子图的概率;
根据各置信度,确定属于指定子图的各指定边,并根据各指定边以及连接所述各指定边的节点,确定指定子图。
可选地,将所述分子图输入预先训练的图神经网络模型中,得到所述图神经网络输出的所述待预测分子中的各化学键分别对应的置信度,具体包括:
确定所述分子图中各节点分别对应的节点特征;
针对所述待预测分子中包含的每个化学键,根据该化学键对应的边连接的节点的节点特征,确定该化学键的键特征;
将所述键特征输入预先训练的图神经网络模型中,得到所述图神经网络输出的该化学键的置信度。
可选地,确定所述分子图中各节点分别对应的节点特征,具体包括:
对所述分子图中包含的各节点和各边分别进行特征提取,确定所述各节点分别对应的初始特征和所述各边分别对应的初始特征;
针对所述分子图中的每个节点,确定该节点的邻居节点,并根据该节点的初始特征、所述邻居节点的初始特征,以及所述邻居节点和该节点之间的边的初始特征,确定该节点的节点特征。
可选地,根据所述指定特征和预存的各指定性质分别对应的表征特征,确定融合特征,具体包括:
针对每个指定性质,根据所述指定特征和该指定性质的表征特征之间的相似度,以及该指定性质的表征特征,确定该指定性质对应于该指定子图的增强特征;
将所述指定特征和各指定性质分别对应于该指定子图的增强特征进行融合,得到融合特征。
可选地,根据各指定子图分别对应的目标分类结果,预测所述待预测分子的分子性质,具体包括:
根据所述分子图和各指定子图,确定所述待预测分子的分子结构中除各指定子图对应的各子结构外的其他子结构,作为特定子结构;
确定所述特定子结构对应的特定子图,并确定所述特定子图的特定特征;
将所述特定特征输入所述分类模型,得到所述分类模型输出的特定分类结果;
根据所述特定分类结果和各指定子图分别对应的目标分类结果,预测所述待预测分子的分子性质。
可选地,所述图神经网络模型和所述分类模型采用下述方式训练得到:
针对每个已标注指定性质的样本分子,根据该样本分子包含的各原子以及所述各原子之间的化学键,建立以原子为节点,以化学键为边的样本分子图,作为训练样本,并将所述指定性质作为所述训练样本的标注;
将各训练样本分别输入待训练的图神经网络模型中,得到所述图神经网络输出的各训练样本分别对应的样本指定子图;
确定各样本指定子图分别对应的样本特征,并根据各样本特征以及所述各训练样本分别对应的标注,确定各指定性质的表征特征;
根据各样本特征以及所述各指定性质的表征特征,确定所述各训练样本分别对应的融合特征;
将各融合特征输入待训练的分类模型,得到所述分类模型输出的样本分类结果;
根据各训练样本分别对应的样本指定子图的样本分类结果,确定所述各训练样本分别对应的样本性质;
根据所述各训练样本分别对应的样本性质及其标注,对所述图神经网络模型和所述分类模型进行训练。
本说明书提供一种预测装置,包括:
第一确定模块,用于根据获取到的待预测分子包含的各原子以及所述各原子之间的化学键,建立以原子为节点、以化学键为边的分子图;
第二确定模块,用于将所述分子图输入预先训练完成的图神经网络模型,得到所述图神经网络模型输出的所述分子图的若干指定子图,所述指定子图对应于所述待预测分子的分子结构中包含的子结构;
融合模块,用于针对每个指定子图,确定该指定子图的指定特征,并根据所述指定特征和预存的各指定性质分别对应的表征特征,确定融合特征;
分类模块,用于将所述融合特征输入分类模型,得到所述分类模型输出的目标分类结果,所述目标分类结果用于表征该指定子图对应的子结构具有的指定性质;
预测模块,用于根据各指定子图分别对应的目标分类结果,预测所述待预测分子的分子性质。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述预测方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述预测方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
基于待预测分子的分子结构,通过图神经网络模型,确定该待预测分子的子结构对应的指定子图,进而基于指定子图对应的指定特征,以及预设的各指定性质的表征特征,确定指定子图具有的指定性质,进而预测该待预测分子的分子性质。
可见,该待预测分子具有其对应的分子性质,是因为该待预测分子包含具有指定性质的子结构。显然,该预测方法为该待预测分子具有其对应的分子性质提供了可解释性,保证了该预测结果的可信度。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附
图中:
图1为本说明书提供的预测方法的流程示意图;
图2为本说明书提供的分子图的示意图;
图3为本说明书提供的预测方法的流程示意图;
图4为本说明书提供的预测装置的结构示意图;
图5为本说明书提供的对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书提供的预测方法的流程示意图,具体包括以下步骤:
S100:根据获取到的待预测分子包含的各原子以及所述各原子之间的化学键,建立以原子为节点、以化学键为边的分子图。
本说明书实施例提供一种预测方法,其中涉及到的图神经网络模型和分类模型可以是经预先训练得到的。该预测方法的执行过程可由用于识别待预测分子的分子性质的服务器的电子设备来执行。执行该图神经网络模型和分类模型的训练过程的电子设备与执行预测方法的电子设备可相同也可不同,本说明书对此不做限制。
区别于目前直接将待预测分子的分子结构输入预测模型中,由预测模型输出待预测分子的分子性质,但预测模型无法对分子性质进行解释。即,预测模型无法给出待预测分子具有其对应的分子性质的原因。进而导致目前基于模型得到的待预测分子的分子性质的可信度较低的情况。
本申请提供一种预测方法,基于待预测分子的分子结构,通过图神经网络模型,确定该待预测分子的子结构对应的指定子图,进而基于指定子图具有的指定性质,预测该待预测分子的分子性质。可见,本申请中的该预测方法,可基于该待预测分子的分子结构中包含的子结构的性质,来预测待预测分子的分子性质,也就是说,该待预测分子具有其对应的分子性质,是因为该待预测分子包含具有指定性质的子结构。显然,该预测方法为该待预测分子具有其对应的分子性质提供了可解释性,保证了该预测结果的可信度。
基于上述对本申请中的预测方法的简要说明,可见,本说明书中的该预测方法,可通过图神经网络模型确定指定子图。而通常情况下,图神经网络模型用于对图结构进行处理,且图结构可准确表征待预测分子的分子结构。基于此,该服务器可根据待预测分子的分子结构,确定分子图。
具体的,针对每个分子,该分子中包含有各原子,且各原子之间存在化学键。其中,该化学键包含离子键和共价键。
于是,该服务器可确定待预测分子。其中,该待预测分子可为该服务器接收到的预测请求中携带的,也可为该待预测分子根据预设的预测条件生成的预测任务中携带的。则该服务器可对接收到的预测请求或生成的预测任务进行解析,确定预测请求或预测任务中携带的待预测分子。
接着,该服务器可根据该待预测分子的分子结构,确定该待预测分子中包含的各原子,以及各原子之间的化学键。
最后,该服务器可根据确定出的各原子,确定该分子图中的各节点,再针对每个化学键,根据该化学键连接的各节点,确定该分子图中各节点之间的边。这样,就构建出了以原子为节点且以化学键为边的分子图。则构建出的分子图中,包含有各原子对应的节点,以及各节点间的边。其中,该分子图中节点间的边用于表征分子图中与该边相连的两个节点之间的化学键。以图2为例。
图2为本说明书提供的分子图的示意图。图中以甲醇分子为例。该服务器可确定该甲醇分子包含的各原子:C、H、O,并确定各原子之间分别对应的化学键。然后,针对每个原子,确定该原子对应的节点,并针对每个化学键,根据该化学键连接的各节点,确定该分子图中各节点之间的边。
S102:将所述分子图输入预先训练完成的图神经网络模型,得到所述图神经网络模型输出的所述分子图的若干指定子图,所述指定子图对应于所述待预测分子的分子结构中包含的子结构。
在本申请提供的一个或多个实施例中,如前所述的,该服务器可通过图神经网络模型,确定对应于该待预测分子的分子结构中包含的子结构的指定子图,以便于后续基于该指定子图具有的指定性质,预测该待预测分子的指定性质。
具体的,该服务器中设置有预先训练完成的图神经网络模型。其中,该图神经网络模型用于确定该待预测分子对应的分子图中包含的指定子图。该指定子图对应于该待预测分子的分子结构中包含的子结构。该指定子图为用于表征该待预测分子的分子性质的子结构对应的子图。
以NaOH分子为例,其对应的指定子图对应的子结构可为OH,则通过OH具有的指定性质,可预测该NaOH分子具有的性质。于是,OH可作为用于表征NaOH分子对应的分子性质的子结构。OH对应的指定子图可为用于表征NaOH分子对应的分子性质的子结构对应的子图。
于是,该服务器可将上述步骤S100中确定出的分子图作为输入,输入预先训练完成的图神经网络模型中,得到该图神经网络模型输出的该分子图包含的若干指定子图。其中,针对每个指定子图,该指定子图对应于该待预测分子的分子结构中包含的子结构。
S104:针对每个指定子图,确定该指定子图的指定特征,并根据所述指定特征和预存的各指定性质分别对应的表征特征,确定融合特征。
在本申请提供的一个或多个实施例中,该服务器在确定出指定子图后,可基于指定子图对应的子结构具有的指定性质,预测该待预测分子对应的分子性质。而若直接对该指定子图对应的指定特征进行分类确定指定子图对应的子结构具有的指定性质,可能会出现无法解释该子结构为何具有该指定性质的情况。因此,该服务器可采用将预存的各指定性质分别对应的表征特征和指定子图的指定特征进行融合,得到融合结果,以基于融合结果来确定指定子图对应的子结构具有的指定性质的方式,来确定该指定子图对应的子结构具有的指定性质。
具体的,该服务器中预先存储有各指定性质分别对应的表征向量。其中,该指定性质可为有毒、无毒等性质,也可为易溶于水、微溶于水、不溶于水等性质。具体该指定性质对应的类型可根据需要进行设置,本说明书对此不做限制。
同时,针对每个指定性质,该指定性质对应的表征向量可用于表征具有该指定性质,即,指定子图的指定特征与该指定性质的表征向量越相似,该指定子图对应的子结构具有该指定性质的概率越高。该指定子图中包含的各原子以及各原子之间的化学键,确定该指定子图对应的指定特征。
最后,该服务器可将预先存储的各指定性质分别对应的表征向量和该指定子图对应的指定特征进行拼接,并将拼接结果作为融合特征。
S106:将所述融合特征输入分类模型,得到所述分类模型输出的目标分类结果,所述目标分类结果用于表征该指定子图对应的子结构具有的指定性质。
在本申请提供的一个或多个实施例中,在确定出融合特征后,该服务器可通过分类模型对该融合特征进行分类,以确定该指定子图对应的子结构具有的指定性质。
具体的,该服务器中预先设置有分类模型,该分类模型用于确定指定子图对应的子结构具有的指定性质。
于是,该服务器可将该融合特征作为输入,输入预先训练完成的分类模型中,得到该分类模型输出的该指定子图对应的目标分类结果。其中,该目标分类结果为该指定子图对应的子结构具有的指定性质。以该指定性质为有毒和无毒为例,则该目标分类结果可为该指定子图对应的子结构有毒,或该指定子图对应的子结构无毒。
当然,该目标分类结果还可为该指定子图对应的子结构具有各指定性质的概率。同样,以该指定性质为有毒和无毒为例,则该目标分类结果可为该指定子图对应的子结构有毒的概率为20%,无毒的概率为80%等。该目标分类结果的具体表现形式可根据需要进行设置,本说明书对此不做限制。
S108:根据各指定子图分别对应的目标分类结果,预测所述待预测分子的分子性质。
在本申请提供的一个或多个实施例中,该预测方法需基于指定子图具有的指定性质,预测该待预测分子的分子性质。其中,该分子性质可为该待预测分子具有的指定性质,也可为该待预测分子具有指定性质的概率。
具体的,针对每个指定子图,该服务器可确定该指定子图对应的目标分类结果。
然后,针对每个指定性质,该服务器可确定具有该指定性质的指定子图的数量,作为指定数量,并判断该指定数量是否超过该待预测分子包含的指定子图的数量的二分之一。
若是,则该服务器可确定该待预测分子具有该指定性质。
若否,则该服务器可确定该待预测分子不具有该指定性质。
进一步的,若某分子中包含有毒的子结构,则该分子大概率也有毒。而若该分子包含三个指定子图,其中,仅有一个指定子图对应的子结构是有毒的,显然,确定出的该待预测分子的分子性质可不包含“有毒”这一指定性质。为了避免上述情况的发生,该服务器可针对每个指定性质,判断该待预测分子包含的各指定子图中,是否包含具有该指定性质的指定子图。
若是,则该服务器可确定该待预测分子具有该指定性质。
若否,则该服务器可确定该待预测分子不具有该指定性质。
当然,该服务器也可针对每个指定性质,根据该待预测分子包含的各指定子图具有该指定性质的概率,确定该待预测分子具有该指定性质的概率。
于是,该服务器可根据确定出的该待预测分子具有的各指定性质,或该待预测分子具有各指定性质的概率,确定该待预测分子具有的分子性质。其中,该服务器可直接将该待预测分子具有各指定性质的概率,作为该待预测分子具有的分子性质,也可为将概率超过预设的特定概率的指定性质作为该待预测分子具有的分子性质。具体如何基于各指定子图分别对应的目标分类结果确定该待预测分子的分子性质可根据需要进行设置,本说明书对此不做限制。
基于图1所示的预测方法,基于待预测分子的分子结构,通过图神经网络模型,确定该待预测分子的子结构对应的指定子图,进而基于指定子图具有的指定性质,预测该待预测分子的分子性质。可见,该待预测分子具有其对应的分子性质,是因为该待预测分子包含具有指定性质的子结构。显然,该预测方法为该待预测分子具有其对应的分子性质提供了可解释性,保证了该预测结果的可信度。
进一步的,对于分子来说,分子具有的化学键通常可影响分子对应的物理性质。而本申请提供的该预测方法,其目的是确定出可用于表征待预测分子的分子性质的子结构的指定子图,再通过指定子图具有的指定性质,预测待预测分子的分子性质。则基于相同思想,若确定出可用于表征待预测分子的分子性质的化学键,再基于确定出的化学键确定指定子图,则基于指定子图对应的子结构的目标分类结果,即可确定待预测分子的分子性质。
具体的,该服务器可将步骤S100中确定出的分子图作为输入,输入预先训练的图神经网络模型中,得到该图神经网络模型输出的该待预测分子中的各化学键分别对应的置信度。其中,该图神经网络用于确定该待预测分子对应的分子图中包含的指定子图。针对每个化学键,该化学键对应的置信度用于表征该化学键对应的边属于指定子图的概率。
于是,该服务器可根据确定出的各置信度,确定属于该指定子图的各指定边。
最后,该服务器可根据确定出的各指定边以及连接各指定边的节点,确定指定子图。
更进一步的,针对每个化学键,该化学键的性质可基于连接该化学键的原子的性质表征。于是,在确定各化学键分别对应的置信度时,该服务器还可针对每个化学键,确定该化学键对应的键特征,再基于该键特征,确定该化学键对应的置信度。
具体的,该服务器可确定该分子图中各节点分别对应的节点特征。
于是,针对该待预测分子中包含的每个化学键,该服务器可确定该化学键对应的边连接的两个节点,并确定对该两个节点分别进行特征提取,确定该两个节点的节点特征。
接着,该服务器可将该两个节点的节点特征进行拼接,作为该化学键的键特征。
最后,该服务器可将该键特征输入预先训练的图神经网络模型中,得到该图神经网络输出的该化学键的置信度。
当然,该服务器也可对该化学键进行特征提取,确定该化学键对应的初始特征,再将该化学键对应的初始特征和该两个节点的节点特征进行融合,将融合结果作为该化学键的键特征。
另外,在本说明书中,针对该分子图中的每个原子,该原子对应的性质不仅受该原子本身影响,还受与该原子相连的其他原子影响。因此,在确定各原子分别对应的节点的节点特征时,还可基于该节点的邻居节点的特征确定。
具体的,针对该分子图中包含的每个节点和每个边,该服务器可对该节点和该边进行特征提取,确定该节点的初始特征和该边的初始特征。
然后,针对该分子图中的每个节点,该服务器可确定该节点的邻居节点。
最后,该服务器可根据该节点的初始特征,该邻居节点的初始特征,以及该邻居节点和该节点之间的边的初始特征,确定该节点的节点特征。
当然,需要说明的是,该服务器还可将确定出的该节点的节点特征,重新作为该节点的初始特征,并根据重新确定出的该节点的初始特征,继续基于该节点的初始特征和该节点的邻居节点的初始特征,来确定该节点的节点特征。以此来实现将该分子图中各原子的性质沿各化学键进行传递这一目的,进一步保证了基于该节点的节点特征确定出的化学键的置信度的准确性。
进一步的,在本申请中,确定融合特征的目的,是基于该指定特征和预存的各指定性质分别对应的表征特征之间的相似度,来确定该指定特征具有的指定性质。而对于每个指定性质,若基于该指定性质对应的表征特征和该指定特征之间的相似度,对该指定特征进行增强,则基于增强结果确定的目标分类结果的准确度会更高。基于此,该服务器可基于指定性质的表征特征对该指定特征进行增强。
具体的,该服务器可针对每个指定性质,根据该指定性质的表征特征和指定子图的指定特征之间的相似度,以及该指定性质的表征特征,确定该指定性质对应于该指定子图的增强特征。
则在确定出各指定性质分别对应于该指定子图的增强特征后,该服务器可将该指定特征和各指定性质分别对应于该指定子图的增强特征进行融合,得到融合特征。则后续可基于融合特征得到该指定子图的目标分类结果。
其中,针对每个指定性质,该指定性质的表征特征可采用下述方式确定:
针对每个指定性质,将该指定性质的各样本分子分别对应的样本分子图输入预先训练的图神经网络模型中,得到所述图神经网络模型输出的该指定性质的各样本分子分别对应的指定子图,再基于各指定子图分别对应的指定特征,确定该指定性质的表征特征。
当然,该服务器也可从该指定性质对应的各样本分子中,选择任一样本分子,将该样本分子的分子图输入预先训练的图神经网络模型中,得到所述图神经网络模型输出的该样本分子对应的指定子图,再将该指定子图的指定特征作为该指定性质的表征特征。
具体如何确定各指定性质分别对应的表征特征,可根据需要进行设置,本说明书对此不做限制。
更进一步的,对于待预测分子来说,除确定出的各指定子图对应的子结构外,该待预测分子的分子结构中,还包含有其他子结构,而其他子结构的性质也可影响该待预测分子的性质。因此,该服务器还可将上述其他子结构作为特定子结构,并基于特定子结构确定该待预测分子的性质。
具体的,该服务器可根据该分子图和各指定图,确定该待预测分子的分子结构中除各指定子图对应的各子结构外的其他子结构,作为特定子结构。
于是,该服务器可确定该特定子结构对应的特定子图,并确定该特征子图的特定特征。
接着,该服务器可将该特定特征输入分类模型,得到该分类模型输出的特定分类结果。
最后,该服务器可根据该特定分类结果和各指定子图分别对应的目标分类结果,预测该待预测分子的分子性质。如图3所示。
图3为本说明书提供的预测方法的流程示意图,其中,该服务器可将该待预测分子的分子图作为输入,输入图神经网络模型中,得到该图神经网络模型输出的指定子图和特定子图。则该服务器可将该指定子图的指定特征和预设的各指定性质的表征特征进行融合,得到融合特征,再将该融合特征和该特定子图分别输入分类模型中,得到该分类模型输出该融合特征对应的目标分类结果,以及该特定子图对应的特定分类结果。最后,该服务器可基于该特定分类结果和目标分类结果,确定预测结果,该预测结果为该待预测分子具有的分子性质。
另外,本说明书中的图神经网络模型和该分类模型可采用下述方式训练得到:
具体的,该服务器可获取若干以标注指定性质的样本分子。并针对每个已标注指定性质的样本分子,根据该样本分子包含的各原子以及所述各原子之间的化学键,建立以原子为节点且以化学键为边的样本分子图,作为训练样本。同时,该服务器可将该指定性质作为该训练样本的标注。
其次,该服务器可将各训练样本分别输入待训练的图神经网络模型中,得到该图神经网络输出的各训练样本分别对应的样本指定子图。
接着,该服务器可确定各样本指定子图分别对应的样本特征,并根据各样本特征以及各训练样本分别对应的标注,确定各指定性质的表征特征。
然后,该服务器可根据各样本特征以及各指定性质的表征特征,确定各训练样本分别对应的融合特征。
之后,该服务器可将各融合特征输入待训练的分类模型,得到该分类模型输出的样本分类结果。
于是,该服务器可根据各训练样本分别对应的样本指定子图的样本分类结果,确定所述各训练样本分别对应的样本性质。
最后,该服务器可根据各训练样本分别对应的样本性质及其标注,确定损失,并以损失最小为目标,对该图神经网络模型和该分类模型进行训练。
进一步的,本说明书中的图神经网络还可采用下述方式训练得到:
具体的,该服务器可获取若干以标注指定性质的样本分子。并针对每个已标注指定性质的样本分子,根据该样本分子包含的各原子以及所述各原子之间的化学键,建立以原子为节点且以化学键为边的样本分子图,作为训练样本。
其次,该服务器可针对每个训练样本,确定该训练样本包含的指定子图,作为该训练样本的目标样本子图。
然后,该服务器可将各训练样本分别输入待训练的图神经网络模型中,得到该图神经网络输出的各训练样本分别对应的样本指定子图。
最后,该服务器可根据各训练样本分别对应的样本指定子图和目标样本子图,确定该图神经网络模型的损失,并以该损失最小为优化目标,调整该图神经网络模型的模型参数。
基于同样思路,本说明书还提供一种预测装置,如图4所示。
图4为本说明书提供的预测装置,其中:
第一确定模块200,用于根据获取到的待预测分子包含的各原子以及所述各原子之间的化学键,建立以原子为节点、以化学键为边的分子图。
第二确定模块202,用于将所述分子图输入预先训练完成的图神经网络模型,得到所述图神经网络模型输出的所述分子图的若干指定子图,所述指定子图对应于所述待预测分子的分子结构中包含的子结构。
融合模块204,用于针对每个指定子图,确定该指定子图的指定特征,并根据所述指定特征和预存的各指定性质分别对应的表征特征,确定融合特征。
分类模块206,用于将所述融合特征输入分类模型,得到所述分类模型输出的目标分类结果,所述目标分类结果用于表征该指定子图对应的子结构具有的指定性质。
预测模块208,用于根据各指定子图分别对应的目标分类结果,预测所述待预测分子的分子性质。
可选地,第一确定模块200,用于将所述分子图输入预先训练的图神经网络模型中,得到所述图神经网络输出的所述待预测分子中的各化学键分别对应的置信度,所述置信度用于表征所述化学键对应的边属于指定子图的概率,根据各置信度,确定属于指定子图的各指定边,并根据各指定边以及连接所述各指定边的节点,确定指定子图。
可选地,第一确定模块200,用于确定所述分子图中各节点分别对应的节点特征,针对所述待预测分子中包含的每个化学键,根据该化学键对应的边连接的节点的节点特征,确定该化学键的键特征,将所述键特征输入预先训练的图神经网络模型中,得到所述图神经网络输出的该化学键的置信度。
可选地,第一确定模块200,用于对所述分子图中包含的各节点和各边分别进行特征提取,确定所述各节点分别对应的初始特征和所述各边分别对应的初始特征,针对所述分子图中的每个节点,确定该节点的邻居节点,并根据该节点的初始特征、所述邻居节点的初始特征,以及所述邻居节点和该节点之间的边的初始特征,确定该节点的节点特征。
可选地,融合模块204,用于针对每个指定性质,根据所述指定特征和该指定性质的表征特征之间的相似度,以及该指定性质的表征特征,确定该指定性质对应于该指定子图的增强特征,将所述指定特征和各指定性质分别对应于该指定子图的增强特征进行融合,得到融合特征。
可选地,预测模块208,用于根据所述分子图和各指定子图,确定所述待预测分子的分子结构中除各指定子图对应的各子结构外的其他子结构,作为特定子结构,确定所述特定子结构对应的特定子图,并确定所述特定子图的特定特征,将所述特定特征输入所述分类模型,得到所述分类模型输出的特定分类结果,根据所述特定分类结果和各指定子图分别对应的目标分类结果,预测所述待预测分子的分子性质。
所述装置还包括:
训练模块210,用于采用下述方式训练得到所述图神经网络模型和所述分类模型:针对每个已标注指定性质的样本分子,根据该样本分子包含的各原子以及所述各原子之间的化学键,建立以原子为节点,以化学键为边的样本分子图,作为训练样本,并将所述指定性质作为所述训练样本的标注,将各训练样本分别输入待训练的图神经网络模型中,得到所述图神经网络输出的各训练样本分别对应的样本指定子图,确定各样本指定子图分别对应的样本特征,并根据各样本特征以及所述各训练样本分别对应的标注,确定各指定性质的表征特征,根据各样本特征以及所述各指定性质的表征特征,确定所述各训练样本分别对应的融合特征,将各融合特征输入待训练的分类模型,得到所述分类模型输出的样本分类结果,根据各训练样本分别对应的样本指定子图的样本分类结果,确定所述各训练样本分别对应的样本性质,根据所述各训练样本分别对应的样本性质及其标注,对所述图神经网络模型和所述分类模型进行训练。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的预测方法。
本说明书还提供了图5所示的电子设备的示意结构图。如图5所述,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述的预测方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、***、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程病灶检测设备的处理器以产生一个机器,使得通过计算机或其他可编程病灶检测设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程病灶检测设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程病灶检测设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、***或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种预测方法,其特征在于,所述方法包括:
根据获取到的待预测分子包含的各原子以及所述各原子之间的化学键,建立以原子为节点、以化学键为边的分子图;
将所述分子图输入预先训练完成的图神经网络模型,得到所述图神经网络模型输出的所述分子图的若干指定子图,所述指定子图对应于所述待预测分子的分子结构中包含的子结构;
针对每个指定子图,确定该指定子图的指定特征,并根据所述指定特征和预存的各指定性质分别对应的表征特征,确定融合特征;
将所述融合特征输入分类模型,得到所述分类模型输出的目标分类结果,所述目标分类结果用于表征该指定子图对应的子结构具有的指定性质;
根据各指定子图分别对应的目标分类结果,预测所述待预测分子的分子性质。
2.如权利要求1所述的方法,其特征在于,将所述分子图输入预先训练完成的图神经网络模型,得到所述图神经网络模型输出的所述分子图的若干指定子图,具体包括:
将所述分子图输入预先训练的图神经网络模型中,得到所述图神经网络输出的所述待预测分子中的各化学键分别对应的置信度,所述置信度用于表征所述化学键对应的边属于指定子图的概率;
根据各置信度,确定属于指定子图的各指定边,并根据各指定边以及连接所述各指定边的节点,确定指定子图。
3.如权利要求2所述的方法,其特征在于,将所述分子图输入预先训练的图神经网络模型中,得到所述图神经网络输出的所述待预测分子中的各化学键分别对应的置信度,具体包括:
确定所述分子图中各节点分别对应的节点特征;
针对所述待预测分子中包含的每个化学键,根据该化学键对应的边连接的节点的节点特征,确定该化学键的键特征;
将所述键特征输入预先训练的图神经网络模型中,得到所述图神经网络输出的该化学键的置信度。
4.如权利要求3所述的方法,其特征在于,确定所述分子图中各节点分别对应的节点特征,具体包括:
对所述分子图中包含的各节点和各边分别进行特征提取,确定所述各节点分别对应的初始特征和所述各边分别对应的初始特征;
针对所述分子图中的每个节点,确定该节点的邻居节点,并根据该节点的初始特征、所述邻居节点的初始特征,以及所述邻居节点和该节点之间的边的初始特征,确定该节点的节点特征。
5.如权利要求1所述的方法,其特征在于,根据所述指定特征和预存的各指定性质分别对应的表征特征,确定融合特征,具体包括:
针对每个指定性质,根据所述指定特征和该指定性质的表征特征之间的相似度,以及该指定性质的表征特征,确定该指定性质对应于该指定子图的增强特征;
将所述指定特征和各指定性质分别对应于该指定子图的增强特征进行融合,得到融合特征。
6.如权利要求1所述的方法,其特征在于,根据各指定子图分别对应的目标分类结果,预测所述待预测分子的分子性质,具体包括:
根据所述分子图和各指定子图,确定所述待预测分子的分子结构中除各指定子图对应的各子结构外的其他子结构,作为特定子结构;
确定所述特定子结构对应的特定子图,并确定所述特定子图的特定特征;
将所述特定特征输入所述分类模型,得到所述分类模型输出的特定分类结果;
根据所述特定分类结果和各指定子图分别对应的目标分类结果,预测所述待预测分子的分子性质。
7.如权利要求1所述的方法,其特征在于,所述图神经网络模型和所述分类模型采用下述方式训练得到:
针对每个已标注指定性质的样本分子,根据该样本分子包含的各原子以及所述各原子之间的化学键,建立以原子为节点,以化学键为边的样本分子图,作为训练样本,并将所述指定性质作为所述训练样本的标注;
将各训练样本分别输入待训练的图神经网络模型中,得到所述图神经网络输出的各训练样本分别对应的样本指定子图;
确定各样本指定子图分别对应的样本特征,并根据各样本特征以及所述各训练样本分别对应的标注,确定各指定性质的表征特征;
根据各样本特征以及所述各指定性质的表征特征,确定所述各训练样本分别对应的融合特征;
将各融合特征输入待训练的分类模型,得到所述分类模型输出的样本分类结果;
根据各训练样本分别对应的样本指定子图的样本分类结果,确定所述各训练样本分别对应的样本性质;
根据所述各训练样本分别对应的样本性质及其标注,对所述图神经网络模型和所述分类模型进行训练。
8.一种预测装置,其特征在于,所述装置包括:
第一确定模块,用于根据获取到的待预测分子包含的各原子以及所述各原子之间的化学键,建立以原子为节点、以化学键为边的分子图;
第二确定模块,用于将所述分子图输入预先训练完成的图神经网络模型,得到所述图神经网络模型输出的所述分子图的若干指定子图,所述指定子图对应于所述待预测分子的分子结构中包含的子结构;
融合模块,用于针对每个指定子图,确定该指定子图的指定特征,并根据所述指定特征和预存的各指定性质分别对应的表征特征,确定融合特征;
分类模块,用于将所述融合特征输入分类模型,得到所述分类模型输出的目标分类结果,所述目标分类结果用于表征该指定子图对应的子结构具有的指定性质;
预测模块,用于根据各指定子图分别对应的目标分类结果,预测所述待预测分子的分子性质。
9.一种计算机可读存储介质,所述存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现上述权利要求1~7任一项所述的方法。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1~7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310420710.9A CN116453615A (zh) | 2023-04-14 | 2023-04-14 | 一种预测方法、装置、可读存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310420710.9A CN116453615A (zh) | 2023-04-14 | 2023-04-14 | 一种预测方法、装置、可读存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116453615A true CN116453615A (zh) | 2023-07-18 |
Family
ID=87127013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310420710.9A Pending CN116453615A (zh) | 2023-04-14 | 2023-04-14 | 一种预测方法、装置、可读存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116453615A (zh) |
-
2023
- 2023-04-14 CN CN202310420710.9A patent/CN116453615A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034183B (zh) | 一种目标检测方法、装置及设备 | |
CN116663618B (zh) | 一种算子优化方法、装置、存储介质及电子设备 | |
CN116860259B (zh) | 一种模型训练和编译器自动调优的方法、装置及设备 | |
CN115618964B (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN114943307A (zh) | 一种模型训练的方法、装置、存储介质以及电子设备 | |
CN116049761A (zh) | 数据处理方法、装置及设备 | |
CN115600090A (zh) | 一种模型的所有权验证方法、装置、存储介质及电子设备 | |
CN116757278B (zh) | 一种预测模型的训练方法、装置、存储介质及电子设备 | |
CN116578877B (zh) | 一种模型训练及二次优化打标的风险识别的方法及装置 | |
CN117828360A (zh) | 一种模型训练、代码生成方法、装置、存储介质及设备 | |
CN116186330B (zh) | 一种基于多模态学习的视频去重方法及装置 | |
CN117194992A (zh) | 一种模型训练、任务执行方法、装置、存储介质及设备 | |
CN117036829A (zh) | 一种基于原型学习实现标签增强的叶片细粒度识别方法和*** | |
CN117093862A (zh) | 一种模型训练的方法、装置、电子设备及存储介质 | |
CN116822606A (zh) | 一种异常检测模型的训练方法、装置、设备及存储介质 | |
CN116861976A (zh) | 一种异常检测模型的训练方法、装置、设备及存储介质 | |
CN116453615A (zh) | 一种预测方法、装置、可读存储介质及电子设备 | |
CN113344197A (zh) | 一种识别模型的训练方法、业务执行的方法以及装置 | |
CN115017915B (zh) | 一种模型训练、任务执行的方法及装置 | |
CN116434787B (zh) | 一种语音情感识别的方法、装置、存储介质及电子设备 | |
CN118193797B (zh) | 一种业务执行的方法、装置、存储介质及电子设备 | |
CN115862675B (zh) | 一种情感识别方法、装置、设备及存储介质 | |
CN117668543A (zh) | 一种模型训练方法、装置、存储介质及电子设备 | |
CN116563387A (zh) | 一种标定模型的训练方法、装置、存储介质以及电子设备 | |
CN117079274A (zh) | 一种识别模型的训练方法、装置、存储介质及电子设备 |
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 |