[发明专利]基于机器学习的自由能微扰网络设计方法

权利要求书

1.基于机器学习的自由能微扰网络设计方法，其特征在于，包括以下步骤：

S1、准备计算所需的小分子数据集；

S2、准备小分子/蛋白质输入文件；

S3、利用FEP计算不同小分子对之间的△△G及std；

S4、提取小分子的特征描述符；

S5、准备机器学习模型所需的训练集和测试集；S6、构建机器学习模型；

S7、训练机器学习模型；

S8、测试集统计误差。

2.根据权利要求1所述的基于机器学习的自由能微扰网络设计方法，其特征在于，具体包括以下步骤：

S1、准备计算所需的小分子数据集：准备数据集时保证体系的多样性，以免出现模型对于部分体系的过拟合；

S2、准备小分子/蛋白质输入文件：根据FEP计算的需求，生成用于FEP计算的初始文件；

S3、利用FEP计算不同小分子对之间的△△G及std：设计小分子之间必须的分子对，利用FEP计算多次△△G结果，进而得到对应的std值；

S4、提取小分子的特征描述符：提取小分子的二维结构特征描述符；

S5、准备机器学习模型所需的训练集和测试集：收集FEP计算得到的分子对的std结果及对应小分子的二维特征描述符，并将收集到的数据按照一定比例划分为训练集和测试集；

S6、构建机器学习模型：将得到的小分子的二维描述符作为输入，分子对的std结果作为输出构建机器学习模型；

S7、训练机器学习模型：选取适当的参数对于模型进行训练，根据不同类型的机器学习模型设置不同的参数；

S8、测试集统计误差：训练完成后在测试集上统计误差，根据统计的误差对于模型参数进行优化，得到最佳的模型。

3.根据权利要求2所述的基于机器学习的自由能微扰网络设计方法，其特征在于，步骤S4中，所述的小分子的二维结构特征描述符，包括分子质量、拓扑连接信息、柔性二面角数量。