欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2021105429070
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于多任务图神经网络的分子毒性预测方法,其特征在于:该方法包括以下步骤:S1:毒性数据集的准备,得到用SMILES化学分子规范表达式表示的毒性数据;

S2:使用S1步骤中得到的用化学分子规范表达式的毒性数据,生成原子节点特征向量,其具体步骤如下:S21:依次遍历所有SMILES分子式中的每一个原子,根据原子的性质进行ONE‑HOT数字编码;

S22:将每个原子看作一个节点,生成节点的特征向量;原子特征包括:原子类型、原子连接数、原子度、邻居杂原子类型;

S23:单个原子特征信息记为yx,yx=[x1,x2,...,xm,xt],其中,计数特征xt是一个实值嵌入向量,定义为单个分子式中各原子对应于总原子数的比重,[x1,x2,...,xm]为对应原子特征的ONE‑HOT数字编码向量;

N×(m+1)

S24:输入的n个SMILES分子式构建的总原子结构特征信息向量记为x=X ,x∈(x1,x2,...,xn),N为单个SMILES分子式中的原子节点个数;

S3:使用S1步骤中得到的用化学分子规范表达式的毒性数据,生成边信息特征向量,其具体步骤如下:S31:邻接特征向量取决于输入分子的嵌入键种类,由原子与原子间键的信息组成,边的特征包括:键的类型、环特征、芳香族、原子杂化方式;

c×t

S32:单个分子的邻接矩阵记为e ,使用无向图来描述分子邻接矩阵信息,t对应单个SMILES分子式边信息的特征数,c表示无向图的邻接矩阵构建;

c×t

S33:输入的n个SMILES分子式的边特征信息矩阵记为e=E ,e∈(e1,e2,...,en);

S4:基于S2步骤得到的原子节点特征向量和S3步骤得到的边信息特征向量,构建基于多任务图神经网络的分子毒性预测模型;

S5:对S4步骤得到的分子毒性预测模型进行模型性能的验证。

2.根据权利要求1所述的一种基于多任务图神经网络的分子毒性预测方法,其特征在于:所述S1步骤包括以下步骤:S11:收集包含分子毒性的数据,将所有包含相关毒性的化合物用化学分子规范表达式SMILES描述;

S12:对化合物进行结构标准化、盐的清洗处理,去除混合物、无机物和有机金属,保留具有明确毒性标签的分子;

S13:将数据集按一定比例随机分为训练集和测试集;

S14:使用化学工具包rdkit处理毒性数据集。

3.根据权利要求1所述的一种基于多任务图神经网络的分子毒性预测方法,其特征在于:所述S4步骤包括以下步骤:S41:将数据集按照一定比例划分,通过One‑Hot编码生成原子节点特征与边信息特征,传入图神经网络输入端,从SMILES分子中进一步提取结构特征信息;

S42:为降低网络训练参数以及模型的过拟合程度,保留原子的显著特征信息,对提取到的特征矩阵进行池化/采样处理,将每个分子对应的所有原子特征相加,进行信息聚合,得到新的信息矩阵;

S43:保存图神经网络模型隐藏层的所有参数;

S44:经过多个全连接层,进行非线性变换,最后通过SoftMax来进行多分类任务预测,输出预测结果。

4.根据权利要求1所述的一种基于多任务图神经网络的分子毒性预测方法,其特征在于:所述S5步骤包括以下步骤:S51:传入验证集数据的原子节点特征与边信息特征,依次经过图神经网络的特征提取层、池化层、全连接层,通过k折交叉验证法对模型进行验证;

S52:通过隐藏层参数的共享,以及输出层对特定任务的单独训练,实现多任务图神经网络的分子毒性预测功能;

S53:根据实际毒性值与预测毒性值的误差,对模型进行评价与验证。

5.一种实现如权利要求1所述的基于多任务图神经网络的分子毒性预测方法的装置,其特征在于:还包括分子毒性预测装置,所述分子毒性预测装置包括信息提取模块,用于学习分子毒性数据集的原子节点信息与边特征信息;图神经网络模型构建模块,用于构建毒性预测模型;多任务图神经网络模型分子毒性预测与性能评价模块,用于预测多个数据集的分子毒性和评价模型性能;信息提取模块只适用于提取信息,图神经网络模型构建模块是一个完整的预测模型,多任务图神经网络模型是一个完整的模型,三个模型间的关系为层层递进。

6.根据权利要求5所述的一种基于多任务图神经网络的分子毒性预测方法的装置,其特征在于:所述信息提取模块具体包括:原子节点特征生成模块,用于编码生成原子特征矩阵;边特征生成模块,利用原子间键的信息提取边特征矩阵;分子图全局结构信息表达模块,用于生成整个分子表达式的特征,构建分子毒性预测模型。

7.根据权利要求5所述的一种基于多任务图神经网络的分子毒性预测方法的装置,其特征在于:所述图神经网络模型构建模块具体包括:初始模块,用于从数据库获取包含SMILES字符串的毒性数据集;分子特征生成模块,用于遍历每一个分子式中的原子节点信息与边的信息;分子毒性预测模块,用于预测输入分子的毒性。

8.根据权利要求5所述的一种基于多任务图神经网络的分子毒性预测方法的装置,其特征在于:所述多任务图神经网络的分子毒性预测与性能评价模块具体包括:特征学习模块,用于学习数据的特征;多任务学习模块,用于学习共享隐藏层的参数特征,提升相关任务集的实验性能;验证模块,用于验证构建的网络模型性能。