[发明专利]一种基于图神经网络的共晶预测方法、深度学习框架

权利要求书

1.一种基于图神经网络的共晶预测方法，其特征在于，所述基于图神经网络的共晶预测方法包括：

共晶样本收集：将具有长程和短程有序性的cocrystal定义为共晶正样本，将不具有长程有序性的固体eutectic和其他形式的固体作为负样本；

数据处理：将分子表示成图，将两个分子图组合表示共晶样本，成为共晶图；同时挑选描述分子整体信息的描述符作为全局状态输入模型；

所述数据处理的方法包括：

(1)将分子表示成图：Graph＝(E，V)；E表示边的集合，V表示节点集合；节点代表原子，每个原子有对应的特征描述符；边表示共价键，每一条边也有对应的描述符；

(2)将两个分子图组合表示共晶样本，成为共晶图；因氢键和π-π堆积是分子间的主要相互作用；计算每个分子之间氢键受体和供体以及芳香原子；

(3)将分子1的氢键供体与分子2的氢键受体连接表示可能的氢键相互作用；同理，把分子1和分子2的芳香原子相连表示可能的π-π堆积；

(4)挑选描述分子整体信息的描述符作为全局状态输入模型；

数据集划分：共晶数据集划分10％做独立验证集，剩下的样本做十倍交叉验证；含能共晶数据集同样划分10％做独立验证集，剩下的样本则做5倍交叉验证；

引入迁移学习的计算策略，提出用于共晶筛选的图神经网络框架CCGNet，并在CCGNet框架下构建共晶的预测模型，进行共晶筛选；

所述用于共晶筛选的图神经网络网框架CCGNet的结构中，A，G，V分别表示样本的邻接张量，全局状态，节点特征；其中全局状态是指分子水平上的特征；CCGBlock是模型主要计算单元，用于变换节点、边以及全局状态；

所述CCGBlock主要有两个函数构成：Φ_g和Φ_v；Φ_g称作global state function，用来变换分子的全局状态，使用单层神经网络；Φ_v称作node update function用来更新节点特征，使用单层图卷积；

将最后一个CCGBlock输出的节点特征采用注意力机制生成表示整个共晶样本的嵌入向量；原始输入的全局状态G与这个嵌入向量连接得到最后表示整个共晶样本的特征向量，最后用ANN预测结果。

2.如权利要求1所述的基于图神经网络的共晶预测方法，其特征在于，所述共晶正样本从剑桥数据库CCDC中筛选6829个，负样本从文献中收集1052个；所述含能共晶正样本收集151个；负样本来自九院实验结果以及FOX-7，RDX，EDTH，NTO与其他含能分子的组合，总共得到负样本843个。

3.如权利要求2所述的基于图神经网络的共晶预测方法，其特征在于，所述正样本的筛选满足以下条件：

1)必须包含两个不同的分子；

2)排除常见的溶剂；

3)必须有3D结构且没有disorder原子；

4)单个分子量必须小于700；

5)只包含C，H，O，N，P，S，Cl，Br，I，F，Si；

6)必须是中性分子，排除盐；

7)排除只含C，H，O，N并且包含硝基的样本作为含能共晶正样本。