[发明专利]基于人工智能的逆合成预测方法、装置、设备及存储介质

说明书

本申请实施例公开了一种基于人工智能的逆合成预测方法、装置、设备及存储介质，其中该方法包括：获取产物分子的图结构以及该产物分子中原子的属性特征；通过图神经网络模型，至少根据该产物分子的图结构和该产物分子中原子的属性特征，预测该产物分子中的断裂化学键；基于该断裂化学键对该产物分子进行断键处理，得到至少一个合成子；通过序列学习模型至少根据逆合成反应类型对应的字符串、产物分子对应的字符串以及至少一个合成子对应的字符串，预测反应物分子。该方法能够有效提高有机化合物逆合成反应的预测精度，使得有机化合物逆合成反应预测过程更易可视化，且更具可解释性。

技术领域

本申请涉及人工智能(Artificial Intelligence,AI)技术领域，尤其涉及一种有机化合物分子的逆合成预测方法、装置、设备及存储介质。

背景技术

如今，在材料、农业、环境和医疗科学等领域，新的有机化合物起到了越来越重要的作用。给定一个新的有机化合物，相关技术人员需要确定该有机化合物的合成路径，才能高效准确地生产该有机化合物；可见，针对给定有机化合物快速准确地确定其合成路径，是一项非常重要的工作。对于给定有机化合物推出其对应的反应物的过程，被称为逆合成反应。

近年来，随着人工智能技术的兴起和快速发展，逆合成反应预测开始逐渐被视为一个深度学习问题加以解决。具体的，由于分子可以被表达为唯一确定的字符串，如简化分子线性输入规范(Simplified molecular input line entry specification，SMILES)，因此，可以将产物分子和反应物分子均转换为对应的SMILES字符串，相应地，逆合成反应预测可被视为，从产物SMILES字符串到反应物SMILES字符串的序列预测过程。目前基于序列学习的逆合成预测方法主要包括Seq2Seq方法和SCROP方法。

经本申请发明人研究发现，上述逆合成反应预测方法虽然能够通过序列学习模型，根据产物SMILES字符串预测反应物SMILES字符串，但是这些序列学习模型普遍无法从SMILES字符串中捕捉到分子的图结构信息，而分子的图结构信息在逆合成预测过程中往往具有十分重要的作用。综上，目前的逆合成预测方法的预测精度仍有待提高。

发明内容

本申请实施例提供了一种基于人工智能的逆合成预测方法、装置、设备及存储介质，能够有效地提高逆合成反应的预测精度。

有鉴于此，本申请第一方面提供了一种基于人工智能的逆合成预测方法，所述方法包括：

获取产物分子的图结构以及所述产物分子中原子的属性特征，所述产物分子为有机化合物分子；

通过图神经网络模型，至少根据所述产物分子的图结构和所述产物分子中原子的属性特征，预测所述产物分子中的断裂化学键；

基于所述断裂化学键对所述产物分子进行断键处理，得到至少一个合成子；

通过序列学习模型，至少根据逆合成反应类型对应的字符串、所述产物分子对应的字符串以及所述至少一个合成子对应的字符串，预测反应物分子。

本申请第二方面提供了一种基于人工智能的逆合成预测装置，所述装置包括：

获取模块，用于获取产物分子的图结构以及所述产物分子中原子的属性特征，所述产物分子为有机化合物分子；

第一预测模块，用于通过图神经网络模型，至少根据所述产物分子的图结构和所述产物分子中原子的属性特征，预测所述产物分子中的断裂化学键；

断键模块，用于基于所述断裂化学键对所述产物分子进行断键处理，得到至少一个合成子；

第二预测模块，用于通过序列学习模型，至少根据逆合成反应类型对应的字符串、所述产物分子对应的字符串以及所述至少一个合成子对应的字符串，预测反应物分子。