[发明专利]一种基于人工神经网络的分子属性预测方法

权利要求书

1.一种基于人工神经网络的分子属性预测方法，其特征在于，包括以下步骤：

S1)对分子数据进行预处理：通过图的数据结构表征的方法，得到原子空间表征与原子构成表征；

S2)建立模型：将原子空间表征与原子构成表征通过多层卷积神经网络，得到分子各级的表征，并将分子各级的表征进行组合，得到模型；

S3)根据模型预测分子属性；

所述步骤S1)具体为：

分子数据包括分子的原子构成与原子的三维空间坐标；

将原子的三维空间坐标转换为原子之间的距离矩阵，然后通过径向基函数扩展为距离张量，得到原子空间表征；

将分子的原子构成进行嵌入表示，得到原子构成表征；

距离矩阵通过径向基函数扩展为距离张量，具体按照以下模型进行：

其中，x为距离矩阵中的每对距离；∩表示对元素的拼接；μ_i为中心点；||x-μ_i||表示x到第i个中心点的欧几里得距离；h为高斯核，K为最短距离到最长距离选取中心点的数量；

通过径向基函数得到张量D∈R^N×N×K，N为距离矩阵中每对距离的数量。

2.根据权利要求1所述的分子属性预测方法，其特征在于，将分子的原子构成进行嵌入表示，具体按照以下步骤进行：

用向量表示分子中的节点和边，将原子看做分子中的节点，其表示为向量a⁰∈R^D，进而得到整个分子的节点表示矩阵A⁰∈R^N×D，经嵌入表示得到边表征矩阵为E∈R^N×D×D。

3.根据权利要求2所述的分子属性预测方法，其特征在于，将原子空间表征与原子构成表征通过多层卷积神经网络，得到分子各级的表征具体为：

其中，为卷积层第I+1层的边表征，为卷积层第I+1层的原子表征；h_e与h_v为更新函数；d_ij为第i个原子与第j个原子之间的距离张量，e_ij为第i个原子与第j个原子之间的边表征；第i个原子第I层的表征；第j个原子第I层的表征。

4.根据权利要求3所述的分子属性预测方法，其特征在于，

其中，η为超参数，为元素乘法，为元素加法，W^ue为权重矩阵；σ为tanh激活函数，W^uv为权重矩阵，M^fa、M^fd与M^fe为全连接层。

5.根据权利要求4所述的分子属性预测方法，其特征在于，所述步骤S2)中将分子各级的表征进行组合，具体为：

其中，为第i个原子第k层的表征；T为多层卷积神经网络中卷积层的层数。

6.根据权利要求5所述的分子属性预测方法，其特征在于，所述模型为：

其中，为预测值，σ′为softplus激活函数，为应用在原子构成表征上的权重矩阵；为应用在原子构成表征上的全连接层；为应用在边表征上的权重矩阵；为应用在边表征上的全连接层。

7.根据权利要求6所述的分子属性预测方法，其特征在于，得到模型后，还包括：用已有的分子属性数据训练模型中的参数。

8.根据权利要求1所述的分子属性预测方法，其特征在于，所述步骤S2)中多层卷积神经网络中卷积层的个数为4～5。