申请/专利权人：云南大学

申请日：2022-03-25

公开（公告）日：2024-04-09

公开（公告）号：CN114822718B

主分类号：G16C20/50

分类号：G16C20/50;G16C20/70;G06N3/042;G06N3/045

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2022.08.16#实质审查的生效;2022.07.29#公开

摘要：本发明公开了分子化学性质预测技术领域的基于图神经网络的人体口服生物利用度预测方法，包括初始原子、化学键特征抽取模块和图神经网络模块；初始原子、化学键特征抽取模块，图神经网络需要将分子结构信息转化为分子图，需要定义原子和化学键的初始特征以供图神经网络使用，利用原子结构信息，构建原子邻接矩阵代表分子的拓扑结构；图神经网络模块，图神经网络的前向传播包含两个步骤，包括消息传递和读出，消息传递需要进行多次以生成好的原子、化学键的隐藏表示，能够通过使用图神经网络，避免分子描述符的抽取，减少工作量，使用化学键消息吸收机制，使得化学键辅助模型学习到更好的分子表示，提高图神经网络的解释性。

主权项：1.基于图神经网络的人体口服生物利用度预测方法，其特征在于，包括初始原子、化学键特征抽取模块和图神经网络模块；所述初始原子、化学键特征抽取模块，图神经网络需要将分子结构信息转化为分子图，需要定义原子和化学键的初始特征以供图神经网络使用，利用原子结构信息，构建原子邻接矩阵代表分子的拓扑结构；所述图神经网络模块，图神经网络的前向传播包含两个步骤，包括消息传递和读出，消息传递需要进行多次以生成好的原子、化学键的隐藏表示，读出操作将原子、化学键的隐藏表示生成分子的隐藏表示，随后使用全连接网络进行预测，得到预测结果；S1：消息传递，消息传递包括原子消息传递、化学键消息吸收、缩放自注意力三个阶段；在原子消息传递阶段，分子图中的每个原子会吸收与其相连的原子和化学键的信息根据： 其中，和均为学习矩阵，dt和ct分别是在第t次更新中，原子状态向量和化学键状态向量的维度；dt+1是第t+1次更新中原子状态向量的维度；σ·是ReLU非线性激活函数；此过程用其周围邻居原子和与之相连的化学键的信息更新中心原子i自身信息；在化学键消息吸收阶段，化学键会吸收与之相连的两个原子的信息用于更新其自身，根据： 其中，和均为学习矩阵，将与eij相连的两个原子的状态向量拼接；通过原子消息传递和化学键消息吸收，使得原子的信息流向与其相连的原子和化学键，化学键也将吸收到周围原子信息，多次更新后，分子信息将流过所有原子和化学键，使得原子和化学键都具备其邻域的拓扑信息；在缩放自注意力阶段，模型将聚焦于原子和化学键特征中，根据： 其中，Vt+1和Et+1分别为在第t次更新中，完成原子消息传递和化学键消息吸收时的原子和化学键的状态矩阵，和均为学习矩阵，为矩阵的哈达玛积HadamardProduct，Wva1用于将原子状态矩阵中的信息嵌入到高维空间中，激活后，Wva2将信息提取出，再通过SoftMax·函数将数值转化为注意力权重，得到原子注意力权重向量，当直接使用此注意力权重向量与原子状态矩阵做哈达玛积，则会将所有特征的数值都缩小，即使是重要的特征，缩小幅度与dt+1的大小有关，dt+1越大，特征数值缩小的程度越大，将注意力权重向量放大dt+1倍，使得注意力权重向量的平均值放大到1，不受特征向量长度dt+1的影响，使模型更容易训练；S2：读出，在读出阶段，使用多种读出函数同时处理原子和化学键，以获取到更好的分子隐藏表示，根据：vall＝Set2SetVT||MeanVT||MaxVT8eall＝Set2SetET||MeanET||MaxET9z＝vall||eall10 其中，Mean·、Max·分别为全局平均池化和全局最大池化。

全文数据：

权利要求：

百度查询： 云南大学 基于图神经网络的人体口服生物利用度预测方法

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