1.一种基于深度学习的分子性质解释方法,其特征在于,包括以下步骤:S1、基于预先训练的GNN模型对分子性质进行预测,得到分子节点嵌入;
S2、设计一个解释器,基于图Transformer对分子节点嵌入进行更新得到节点特征,利用层次化边选择器确定分子子结构中的边,为了限制和引导子结构的生成过程,设计奖励函数;
S3、通过设计的损失函数,对解释器进行迭代训练,直至损失函数满足设定损失值,完成训练学习,获得训练好的解释器;
S4、将分子节点嵌入输入训练好的解释器中,输出对分子性质起关键作用的子结构;
所述S2中,通过最大化互信息度量来确定用于解释模型预测分子性质的子结构,表达式为:;(6)
其中,为互信息,用于衡量子结构和之间的信息共享程度,是拥有条边的图的子图的集合,是图在预测性质模型GNN中的预测结果,=0表示分子没有活性,=1表示分子有活性;
根据互信息的相关知识,上式变为:
;(7)
其中,为中的第条边,表示在给定预测分子性质的情况下,边出现的概率分布;
将子结构的生成视为马尔可夫链过程,使用下式获得子结构的第条边:;(8)
其中,为在生成的子结构中的第条边的最优选择,为第步候选边集合中的任意一条边,为条件熵,表示在给定和的情况下,选择边的不确定性,表示第步之后的子结构,表示添加到当前解释子图的候选边的集合;
设计一个层次化边选择器用于寻找子结构的第条边,在第步时计算每个候选边的概率,并选择得分最高的边,对于边缘,第一个MLP层边表示生成器进行如下处理:;(9)
其中,、分别表示第个节点和第个节点在中的特征,且,表示边的边表示;
第二个MLP层边可能生成器用于生成边的可能,即边的概率得分,表达式为:;(10)
其中,是连接操作,是通过预测模型GNN获得的分子图的表示,是边的得分,分数最高的边将被添加到子结构中;已被选入子结构的边,不会再次进入候选边集合;不断重复,直到满足终止条件为止。
2.根据权利要求1所述的一种基于深度学习的分子性质解释方法,其特征在于,所述S1中,将分子形式化地表示为无向图,其中是节点集合,对应分子中的原子,是边集合,对应分子中的化学键;
节点的初始特征表示为,其中,表示第个节点的特征向量,为节点的数量,为每个节点特征的维度;初始特征经过GNN模型编码后,生成节点嵌入表示,是节点嵌入的维度。
3.根据权利要求1所述的一种基于深度学习的分子性质解释方法,其特征在于,所述S2中,在图Transformer的自注意力机制中计算查询矩阵、键矩阵和值矩阵,表达式为:;(1)
其中,,,是可学习的权重矩阵,为键矩阵、查询矩阵和值矩阵的维度,,为注意力头的数量;
对于每个注意力头,使用查询和键计算注意力权重,表达式为:;(2)
利用注意力权重对值矩阵进行加权求和,以生成注意力头的输出,表达式为:;(3)
在多头注意力机制中,所有注意力头的输出会被拼接在一起,表达式为:;(4)
其中,为拼接后的多头注意力输出,为Concatenate操作:表示将所有注意力头的输出拼接在一起,为第个注意力头的输出,为注意力头的数量;
对进行线性变换并添加残差连接和激活函数,得到更新后的节点特征,表达式为:;(5)
其中,为非线性激活函数,为线性变换的可训练参数矩阵。
4.根据权利要求3所述的一种基于深度学习的分子性质解释方法,其特征在于,所述S2中,奖励函数为:;(16)
其中是用于平衡两个奖励的超参数;
为和子结构对分子图的GNN模型预测的组合贡献评估,表达式为:;(15)
其中,表示预测分子性质的模型;
为对分子活性的解释的贡献评估,表达式为:;(14)
其中,为第个节点,为第个节点,为所属集合中的第个子结构,是具有与相同的预测标签的子结构的集合,是具有与不同的标签的子结构的集合。
5.根据权利要求4所述的一种基于深度学习的分子性质解释方法,其特征在于,所述S3中,设计的损失函数为:;(17)
其中,是一个超参数,用于确保对数函数的输入始终大于0;
在训练过程中,首先采用随机梯度下降或Adam优化器对损失函数进行优化,使解释器能够学习到最优的子结构选择策略;训练数据由分子图及其对应的性质标签组成,模型在每次迭代时会根据当前分子结构选择最具代表性的子结构,并计算损失函数以更新参数;为提高模型的泛化能力和可解释性,对超参数进行微调,采用网格搜索或贝叶斯优化来寻找最优参数;为了防止模型过拟合,引入Dropout、权重衰减或数据增强技术,提升模型的稳定性和解释能力。