基于图神经网络的药物小分子性质预测方法、装置及设备.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113707236A(43)申请公布日2021.11.26(21)申请号202111005476.0(22)申请日2021.08.30(71)申请人平安科技（深圳）有限公司地址518000广东省深圳市福田街道福安社区益田路5033号平安金融中心23楼(72)发明人王俊(74)专利代理机构北京中强智尚知识产权代理有限公司11448代理人刘敏(51)Int.Cl.G16C20/30(2019.01)G16C20/20(2019.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书12页附图3页(54)发明名称基于图神经网络的药物小分子性质预测方法、装置及设备(57)摘要本申请公开了一种基于图神经网络的药物小分子性质预测方法、装置及设备，涉及人工智能技术领域，可解决目前对药物小分子性质预测的效率较低、准确度不高的技术问题。其中方法包括：依据目标药物小分子的化学分子结构生成分子图结构，以及依据所述目标药物小分子的官能团中间结构生成分子子图结构；利用目标图神经网络模型确定所述分子图结构对应的第一特征向量，以及所述分子子图结构对应的第二特征向量；根据所述第一特征向量和所述第二特征向量构建第三特征向量，并将所述第三特征向量输入训练完成的性质预测模型中，得到所述目标药物小分子的性质预测结果。本申请适用于基于人工智能技术，实现对药物小分子性质的智能化预测。CN113707236ACN113707236A权利要求书1/2页1.一种基于图神经网络的药物小分子性质预测方法，其特征在于，包括：依据目标药物小分子的化学分子结构生成分子图结构，以及依据所述目标药物小分子的官能团中间结构生成分子子图结构；利用目标图神经网络模型确定所述分子图结构对应的第一特征向量，以及所述分子子图结构对应的第二特征向量；根据所述第一特征向量和所述第二特征向量构建第三特征向量，并将所述第三特征向量输入训练完成的性质预测模型中，得到所述目标药物小分子的性质预测结果。2.根据权利要求1所述的方法，其特征在于，所述依据目标药物小分子的化学分子结构生成分子图结构，以及依据所述目标药物小分子的官能团中间结构生成分子子图结构，包括：获取目标药物小分子的化学分子结构，将所述化学分子结构中的原子确定为所述分子图结构中的节点，将所述化学分子结构中的原子连接关系确定为所述分子图结构中的边，生成所述目标药物小分子的分子图结构；获取所述目标小分子的官能团中间结构，将所述官能团中间结构中的官能团确定为所述分子子图结构中的节点，将所述官能团中间结构中的官能团连接关系确定为所述分子子图结构中的边，生成所述目标药物小分子关于中间尺度的分子子图结构。3.根据权利要求1所述的方法，其特征在于，在利用目标图神经网络模型确定所述分子图结构对应的第一特征向量，以及所述分子子图结构对应的第二特征向量之前，包括：获取未标记图数据集和第一标记图数据集，所述第一标记图数据集的训练任务与预设性质预测任务不同；将所述未标记图数据集作为训练样本，通过对预设的图神经网络模型进行训练，调整所述图神经网络模型的参数，得到第一图神经网络模型；将所述第一标记图数据集作为训练样本，通过对所述第一图神经网络模型进行训练，调整所述第一图神经网络模型的参数，得到第二图神经网络模型；将所述预设性质预测任务对应的第二标记图数据集作为训练样本，通过对所述第二图神经网络模型进行训练，调整所述第二图神经网络模型的参数，得到目标图神经网络模型。4.根据权利要求1所述的方法，其特征在于，所述分子图结构中携带有邻接矩阵以及属性信息，所述属性信息包含节点初始特征向量和边初始特征向量，其中，所述节点初始特征向量和所述边初始特征向量是依据预设向量生成规则确定的；所述利用目标图神经网络模型确定所述分子图结构对应的第一特征向量，以及所述分子子图结构对应的第二特征向量，包括：将所述分子图结构、所述邻接矩阵和所述属性信息输入目标图神经网络模型，获取所述分子图结构中各个节点的节点隐向量；利用所述各个节点的节点隐向量生成所述目标药物小分子的第一特征向量；将所述分子子图结构输入所述目标图神经网络模型，确定所述目标药物小分子的第二特征向量。5.根据权利要求4所述的方法，其特征在于，所述利用所述各个节点的节点隐向量生成所述目标药物小分子的第一特征向量，包括：计算所述节点隐向量的隐向量平均值，将所述隐向量平均值确定为所述目标药物小分2CN113707236A权利要求书2/2页子的第一特征向量；或，在所述节点隐向量提取对应隐向量值最大的第一节点隐向量，将所述第一节点隐向量确定为所述第一特征向量。6.根据权利要求1所述的方法，其特征在于，所述根据所述第一特征向量和所述第二特征向