基于图卷积神经网络的共晶预测方法、装置和存储介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115064225A(43)申请公布日2022.09.16(21)申请号202210677443.9(22)申请日2022.06.16(71)申请人湖州师范学院地址313000浙江省湖州市吴兴区二环东路759号(72)发明人康艳蕾陈嘉辉李重张雄涛胡海龙(74)专利代理机构重庆中之信知识产权代理事务所(普通合伙)50213专利代理师杨豪斌(51)Int.Cl.G16C20/50(2019.01)G16C20/70(2019.01)G06N3/04(2006.01)权利要求书3页说明书11页附图3页(54)发明名称基于图卷积神经网络的共晶预测方法、装置和存储介质(57)摘要本发明提供一种基于图卷积神经网络的共晶预测方法、装置和存储介质，所述方法包括：获取共晶训练样本集中每个分子对中主体分子的第一数据文件和客体分子的第二数据文件；获取每个分子对的预测分子指纹、目标分子特征、目标连接邻接矩阵和目标点云信息；将目标分子特征、目标连接邻接矩阵和目标点云信息输入特征提取模型，得到分子对的初始特征；将分子对的初始特征与所述预测分子指纹进行拼接，得到分子对的特征向量；将每个分子对的特征向量输入图卷积神经网络进行训练，得到共晶预测模型。本发明解决了现有技术中预测效率低的问题，通过图卷积神经网络对分子的特征以及分子指纹进行融合处理，不仅可以提高预测效率，还提高了预测精度。CN115064225ACN115064225A权利要求书1/3页1.一种基于图卷积神经网络的共晶预测方法，其特征在于，所述方法包括：获取共晶训练样本集中每个分子对中主体分子的第一数据文件和客体分子的第二数据文件，其中，所述共晶训练样本集包括正样本分子对和负样本分子对；根据每个分子对相对应的第一数据文件和第二数据文件，获取每个分子对的预测分子指纹、目标分子特征、目标连接邻接矩阵和目标点云信息；将所述目标分子特征、目标连接邻接矩阵和目标点云信息输入特征提取模型，得到分子对的初始特征；将所述分子对的初始特征与所述预测分子指纹进行拼接，得到分子对的特征向量；将每个分子对的特征向量输入图卷积神经网络进行训练，得到共晶预测模型，并将待预测分子对的特征向量输入所述共晶预测模型进行预测，得到共晶预测结果。2.如权利要求1所述的基于图卷积神经网络的共晶预测方法，其特征在于，根据每个分子对相对应的第一数据文件和第二数据文件，获取每个分子对的预测分子指纹，包括：对每个分子对相对应的所述第一数据文件和所述第二数据文件分别进行分子指纹计算，得到相对应的第一分子指纹和第二分子指纹；对每个分子对相对应的所述第一分子指纹和所述第二分子指纹进行逐位相加，得到所述分子对的预测分子指纹。3.如权利要求1所述的基于图卷积神经网络的共晶预测方法，其特征在于，根据每个分子对相对应的第一数据文件和第二数据文件，获取每个分子对的目标分子特征、目标连接邻接矩阵和目标点云信息，包括：根据每个分子对相对应的所述第一数据文件和所述第二数据文件，分别获取每个分子对中主体分子的分子特征、连接邻接矩阵和点云信息和客体分体的分子特征、连接邻接矩阵和点云信息；对每个分子对相对应的主体分子和客体分子中的原子序号进行融合处理后，根据每个分子对中主体分子的分子特征、连接邻接矩阵和点云信息和客体分体的分子特征、连接邻接矩阵和点云信息，得到所述每个分子对的目标分子特征、目标连接邻接矩阵和目标点云信息。4.如权利要求3所述的基于图卷积神经网络的共晶预测方法，其特征在于，当所述特征提取模型包括注意力机制函数和单层图卷积函数时，将所述目标分子特征、目标连接邻接矩阵和目标点云信息输入特征提取模型，得到分子对的初始特征，包括：将所述目标点云信息输入注意力机制函数进行计算，得到分子对中原子的连接权重系数；将所述原子的连接权重系数、目标连接邻接矩阵和目标分子特征输入单层图卷积函数，得到每个原子的新特征；对每个原子的特征进行聚合处理，得到所述分子对的初始特征。5.如权利要求4所述的基于图卷积神经网络的共晶预测方法，其特征在于，将所述目标点云信息输入注意力机制函数进行计算，得到分子对中原子的连接权重系数的公式表达式包括：2CN115064225A权利要求书2/3页其中，a表示单一的前馈神经网络，为一个权重相连，LeakReLU激活函数的斜率为0.2,W1为连接权重系数，Pi表示目标点云信息，αij表示原子j对于原子i的重要性权重，K表示在当前分子中原子的总数，φi表示当前分子。6.如权利要求5所述的基于图卷积神经网络的共晶预测方法，其特征在于，将所述原子的连接权重系数、目标连接邻接矩阵和目标分子特征输入单层图卷积函数，得到每个原子的新特征的公式表达式包括：其中，F是一个N*C的矩阵，N为分子中原子的个数，C为