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: 2023105955802
申请人: 重庆邮电大学
专利类型:发明专利
专利状态:授权未缴费
更新日期:2025-07-09
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:

1.一种基于流式生成模型的反事实子图挖掘方法,其特征在于,包括:

S1:获取药物分子图结构数据,所述药物分子图结构数据的拓扑结构表示为G=(V,E,X,A),其中,G表示药物分子图结构,V表示G中的原子节点集合,E表示G中的边集即分子中原子之间的化学键集合,X表示G中原子的特征矩阵,A表示G的邻接矩阵;

S2:将药物分子图结构的邻接矩阵A和特征矩阵X输入策略网络中预测药物分子图结构的状态转移概率和药物分子图结构转移到终止状态的状态转移概率;并根据药物分子图结构的状态转移概率删除药物分子图结构中的边;

S3:利用训练好的GNN模型判断删边后的药物分子图结构的分类结果是否发生变化,并计算删边后药物分子图结构的奖励分数;当删边后的药物分子图结构的分类结果发生变化时,则将删边后的药物分子图结构作为候选子图;反之,则将删边后的药物分子图结构作为非候选子图;

S4:根据药物分子图结构的状态转移概率、药物分子图结构转移到终止状态的状态转移概率和删边后药物分子图结构的奖励分数利用生成流网络中的细致平稳条件构建细致平稳损失函数,通过梯度下降法更新策略网络的参数;

S5:将删边后的药物分子图结构作为新的药物分子图结构,重复步骤S2‑S4,直至细致平稳损失函数等于零为止,输出所有找到的候选子图;

S6:从所有找到的候选子图中挑选出删边最少的候选子图作为最终的反事实子图。

2.根据权利要求1所述的一种基于流式生成模型的反事实子图挖掘方法,其特征在于,所述策略网络基于transformer结构包括:第一归一化层、Attention注意力机制层、第二归一化层、Dense层、第一MLP、MASK层、softmax、pool层、第二MLP、sigmoid激活函数;

所述预测药物分子图结构的状态转移概率和药物分子图结构转移到终止状态的状态转移概率包括:

将邻接矩阵A和特征矩阵X利用concat函数进行拼接得到第一中间特征表示,将第一中间特征表示输入第一归一化层进行归一化处理,再将归一化处理之后的特征表示输入Attention注意力机制层进行注意力机制得到第二中间特征表示;将第二中间特征表示和第一中间特征表示进行残差连接得到第三中间特征表示;将第三中间特征表示输入第二归一化层进行归一化处理,再将归一化处理之后的特征表示输入Dense层进行线性映射得到第四中间特征表示;将第四中间特征和第三中间特征表示进行残差连接得到第五中间特征表示;将第五中间特征表示分别输入第一MLP和pool层;第一MLP对第五中间特征进行多层感知操作之后输入Mask利用邻接矩阵A过滤掉不存在的边得到第六中间特征表示,将第六中间特征表示输入softmax函数输出药物分子图结构的状态转移概率;

pool层对第五中间特征表示进行平均池化操作,将平均池化后的特征表示输入第二MLP进行多层感知操作得到第七中间特征表示;将第七中间特征表示输入sigmoid激活函数预测药物分子图结构到终止状态的状态转移概率。

3.根据权利要求2所述的一种基于流式生成模型的反事实子图挖掘方法,其特征在于,所述药物分子图结构到终止状态的状态转移概率包括:Pθ(Sf|St)=sigmoid(MLP(Pool_avg(Z5))

其中,St表示药物分子图结构即当前状态,Sf表示终止状态,sigmoid表示激活函数,MLP表示多层感知机,Pool_avg表示平均池化函数,Z5表示第五中间特征表示,Pθ(Sf|St)表示药物分子图结构到终止状态的状态转移概率。

4.根据权利要求2所述的一种基于流式生成模型的反事实子图挖掘方法,其特征在于,所述利用邻接矩阵A过滤掉不存在的边包括:Z6=mask×MLP(Z5)+(1‑mask)×maksed_value

mask=A

maksedvalue=‑10000

其中,Z6表示第六中间特征表示;A表示邻接矩阵;MLP表示多层感知机;Z5表示第五中间特征表示。

5.根据权利要求1所述的一种基于流式生成模型的反事实子图挖掘方法,其特征在于,所述根据药物分子图结构的状态转移概率删除药物分子图结构中的边包括:选择使药物分子图结构的状态转移概率最大的边进行删除。

6.根据权利要求1所述的一种基于流式生成模型的反事实子图挖掘方法,其特征在于,所述删边后药物分子图结构的奖励分数包括:其中,St+1表示删边后的药物分子图结构, 表示交叉熵损失函数, 表示训练好的GNN模型对药物分子图结构的原始预测结果为类别c的概率,P(Y=c)表示训练好的GNN模型对删边后的药物分子图结构的预测结果为类别c的概率,R(St+1)表示删边后药物分子图结构的奖励分数。

7.根据权利要求1所述的一种基于流式生成模型的反事实子图挖掘方法,其特征在于,利用生成流网络中的细致平稳条件构建细致平稳损失函数包括:其中, 表示细致平稳损失函数,θ表示策略网络π的参数,St+1表示删边后的药物分子图结构;St表示药物分子图结构;R(St+1)表示删边后的药物分子图结构的奖励分数;R(St)表示药物分子图结构的奖励分数;PB(St|St+1)表示删边后的药物分子图结构转移到药物分子图结构的概率。