[发明专利]化合物性质预测方法、装置、计算机设备及可读存储介质

说明书

本申请实施例公开了一种化合物性质预测方法、装置、计算机设备及可读存储介质，涉及人工智能的计算机视觉技术；具体地可以获取目标化合物的化学结构信息，该化学结构信息包括原子和化学键；根据化学结构信息生成与化学结构信息对应的化学结构图，化学结构图包括原子对应的节点以及化学键对应的边；构建节点的原始节点特征和边的原始边特征；根据节点的原始节点特征、边的原始边特征，在边上进行多轮消息传播，得到边在经过多轮消息传播后的传播状态信息；根据传播状态信息获取边的目标特征；根据边的目标特征预测目标化合物的性质，并输出目标化合物的性质预测结果。该方案科研大大提升化合物性质预测的准确性。

技术领域

本发明涉及人工智能技术领域，具体涉及一种化合物性质预测方法、装置、计算机设备及可读存储介质。

背景技术

在药物分析中，如何根据化合物如蛋白质等的结构判断或预测物质的一些性质如化学、生物性质，例如毒性、溶解性，致癌性等等，是一件非常重要的任务。

目前的化合物性质预测方式是采用人工智能(AI，Artificial Intelligence)来实现。比如，可以将性质预测这类任务建模成AI机器学习中的分类问题。具体地，可以通过表示学习的方式，将化合物如蛋白质的结构式转化为在欧式空间中的向量，然后通过神经网络如卷积神经网络(CNN)对其进行分类，进而判断或预测物质的性质如化学/生物性质。

作为表示学习经典方法，卷积神经网络(CNN)已经在识别等领域获得了极大的成功。许多现有模型和架构用于解决大规模分类和识别问题，具体应用有图像(image)、自然语言处理等，但是由于这些应用的源数据都有一个共同点，具有网格(grid)结构。然而，化合物如蛋白质化学结构不具有这样的网格结构，会导致性质预测的准确性较低。

发明内容

本申请实施例提供一种化合物性质预测方法、装置、计算机设备及可读存储介质，可以提高化合物性质预测的准确性。

本申请实施例提供一种化合性质预测方法，包括：

获取目标化合物的化学结构信息，所述化学结构信息包括原子和化学键；

根据所述化学结构信息生成与所述化学结构信息对应的化学结构图，所述化学结构图包括所述原子对应的节点以及所述化学键对应的边；

构建所述节点的原始节点特征和所述边的原始边特征；

根据所述节点的原始节点特征、所述边的原始边特征，在所述边上进行多轮消息传播，得到所述边在经过多轮消息传播后的传播状态信息；

根据所述传播状态信息获取所述边的目标特征；

根据所述边的目标特征预测目标化合物的性质，并输出目标化合物的性质预测结果。

本申请实施例提供一种基于多层边信息传播模型的化合物性质预测方法，包括：

获取目标化合物的化学结构信息，所述化学结构信息包括原子和化学键；

根据所述化学结构信息生成与所述化学结构信息对应的化学结构图，所述化学结构图包括所述原子对应的节点以及所述化学键对应的边；

根据所述节点的原始节点特征向量、所述边的原始边特征向量获取所述多层边信息传播模型的初始输入信息；

采用所述多层边信息传播模型，基于所述初始输入信息在所述边上进行多轮消息传播，得到所述边在经过多轮消息传播后的传播状态信息；

采用所述多层边信息传播模型，基于所述传播状态信息获取所述边的目标特征；

采用所述多层边信息传播模型，根据所述边的目标特征预测目标化合物的性质，并输出目标化合物的性质预测结果。

相应的，本申请实施例还提供一种化合物性质预测装置，包括：