申请/专利权人：合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)

申请日：2024-01-23

公开（公告）日：2024-04-09

公开（公告）号：CN117612633B

主分类号：G16C20/30

分类号：G16C20/30;G16C20/70;G06N3/042;G06N3/0464;G06N3/086;G06N10/20;G06N10/60

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2024.03.15#实质审查的生效;2024.02.27#公开

摘要：本发明涉及人工智能领域，具体涉及一种药物分子性质预测方法，该方法包括以图神经网络作为主干模型构建药物分子性质预测模型，以变分量子线路作为药物分子性质预测模型的编码层；利用变分量子线路，将原子节点的特征映射到高维的希尔伯特空间中；通过卷积和池化操作处理这些映射后的数据，从而提取出药物分子的全局特性；通过结合粒子群的全局搜索能力和局部搜索能力，优化药物分子性质预测模型的参数，得到优化过的药物分子性质预测模型，并基于优化过的药物分子性质预测模型预测待预测药物分子的性质。本发明通过粒子群的全局搜索能力和局部搜索能力的结合，能够在一定程度上避免陷入局部最优，从而提高药物分子性质预测模型的性能。

主权项：1.一种药物分子性质预测方法，其特征在于，包括以下步骤：步骤一，以图神经网络作为主干模型，以变分量子线路作为编码层，构建药物分子性质预测模型，变分量子线路包括量子编码层、变分量子线路层及测量输出层；步骤二，以待预测药物的原子作为药物分子图的节点，化学键作为药物分子图的边，制作待预测药物的药物分子图；药物分子图中第个节点为，，，表示药物分子图中节点的数量，表示药物分子图中一个节点的维度，表示节点的第维数据；步骤三，利用量子编码层将节点转化为量子态节点特征；利用变分量子线路层中的受控X轴旋转门对量子态节点特征进行纠缠后，使用变分量子线路层中的X轴旋转门提取特征，得到药物分子图的旋转后的量子态节点特征；利用测量输出层对旋转后的量子态节点特征进行测量求解期望值，得到原子节点特征；以变分量子线路层中受控X轴旋转门中的旋转角度参数作为变分量子线路的待优化参数；步骤四，使用邻接矩阵描述药物分子图，并对该邻接矩阵进行归一化处理得到归一化的分子图邻接矩阵，利用主干模型对原子节点特征及归一化的分子图邻接矩阵进行卷积、池化及预测；所述利用主干模型对原子节点特征及归一化的分子图邻接矩阵进行卷积，其中主干模型第层图卷积层输出的卷积特征为： ； ；其中，为激活函数，为第层图卷积层的权重矩阵，表示卷积操作；步骤五，定义药物分子性质预测模型的损失函数，并基于损失函数定义目标函数；步骤六，通过基于梯度的自适应量子行为粒子群优化算法对旋转角度参数及主干模型中各图卷积层的权重矩阵进行联合优化使目标函数的值最小，得到完成训练的药物分子性质预测模型；步骤七，基于完成训练的药物分子性质预测模型对待预测药物进行预测得到其药物分子性质；其中，步骤六具体包括：步骤六A，初始化粒子群优化方法中的参数；将每个粒子的位置初始化为代表一组旋转角度参数及权重矩阵集合的候选值的向量；步骤六B，基于每个粒子对应的旋转角度参数的候选值，使用变分量子线路提取待预测药物的原子节点特征，以同一个粒子对应的权重矩阵集合的候选值作为主干模型中各图卷积层的权重矩阵，利用药物分子性质预测模型预测待预测药物的分子的性质，并计算此时的损失函数的值；找出使损失函数最小的粒子作为最优粒子，并记录最优粒子对应的旋转角度参数及权重矩阵集合的候选值；步骤六C，每个粒子根据自身位置和最优粒子的位置，以及自身的粒子状态参数更新自身位置；步骤六D，对当前群体历史最优位置施加随机扰动，形成新的群体历史最优位置；步骤六E，重复执行步骤六B、步骤六C和步骤六D步骤，直到达到预设的最大迭代次数。

全文数据：

权利要求：

百度查询： 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 一种药物分子性质预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD