[发明专利]分子性质预测方法及其模型的训练方法及相关装置、设备

说明书

本申请公开了一种分子性质预测方法及其模型的训练方法及相关装置、设备，其中，分子性质预测模型的训练方法包括：获取训练样本，训练样本包含分子的结构数据和标注性质；利用初始的分子性质预测模型对结构数据进行特征提取，得到第一可变分子特征；获取基于结构数据得到的第一固定分子特征，并结合第一可变分子特征和第一固定分子特征，得到训练样本的融合分子特征；利用分子性质预测模型对融合分子特征进行分类处理，得到训练样本的第一预测性质；基于第一预测性质和标注性质，调整分子性质预测模型的网络参数。上述方案，能够准确地预测分子性质。

技术领域

本申请涉及人工智能技术领域，特别是涉及一种分子性质预测方法及其模型的训练方法及相关装置、设备。

背景技术

近年来，随着神经网络、深度学习等人工智能技术的发展，人工智能技术开始广泛应用于诸如安防、家电、物流等各行各业。此外，由于人工智能技术相较于传统人工所表现出的高效、稳定等优异性能，在基础研究中也逐渐得到了使用。

目前，在化学研究中，在进行生物活性筛选之前预测分子性质，能够降低实际筛选化合物数目，同时提高发现先导化合物发现效率，故具有重要意义。有鉴于此，如何准确地预测分子性质成为亟待解决的问题。

发明内容

本申请提供一种分子性质预测方法及其模型的训练方法及相关装置、设备。

本申请第一方面提供了一种分子性质预测模型的训练方法，包括：获取训练样本，训练样本包含分子的结构数据和标注性质；利用初始的分子性质预测模型对结构数据进行特征提取，得到第一可变分子特征；获取基于结构数据得到的第一固定分子特征，并结合第一可变分子特征和第一固定分子特征，得到训练样本的融合分子特征；利用分子性质预测模型对融合分子特征进行分类处理，得到训练样本的第一预测性质；基于第一预测性质和标注性质，调整分子性质预测模型的网络参数。

因此，通过利用初始的分子性质预测模型对训练样本的结构数据进行特征提取，得到第一可变分子特征，获取基于结构数据得到的第一固定分子特征，并结合第一可变分子特征和第一固定分子特征，得到训练样本的融合分子特征，从而使得融合分子特征能够兼具分子的全局特征和局部特征，进而在利用分子性质预测模型对融合分子特征进行分类处理时，能够提高训练样本的第一预测性质的准确性，从而能够基于第一预测性质和标注性质，准确地调整分子性质预测模型的网络参数，提高训练得到的分子性质预测模型的准确性，进而能够有利于提高分子性质预测的准确性。

其中，分子性质预测模型包括特征提取子模型和性质分类子模型；利用分子性质预测模型对结构数据进行特征提取，得到可变分子特征之前，方法还包括：利用训练样本对初始的分子性质预测模型中的特征提取子模型和性质分类子模型进行预训练；利用初始的分子性质预测模型对结构数据进行特征提取，得到第一可变分子特征包括：利用预训练后的特征提取子模型对结构数据进行特征提取，得到第一可变分子特征；利用分子性质预测模型对融合分子特征进行分类处理，得到训练样本的第一预测性质包括：利用预训练后的性质分类子模型对融合分子特征进行分类处理，得到训练样本的第一预测性质。

因此，在利用初始的分子性质预测模型对结构数据进行特征提取，得到第一可变分子特征，从而结合第一固定分子特征得到融合分子特征，并基于融合分子特征进一步训练之前，先利用训练样本对初始的分子性质预测模型中的特征提取子模型和性质分类子模型进行预训练，能够提高分子性质预测模型对可变分子特征的学习效果，进而能够有利于提高分子性质预测模型的准确性。

其中，利用训练样本对初始的分子性质预测模型中的特征提取子模型和性质分类子模型进行预训练包括：利用特征提取子模型对结构数据进行特征提取，得到第二可变分子特征；利用性质分类子模型对第二可变分子特征进行分类处理，得到训练样本的第二预测性质；基于第二预测性质和标注性质，调整特征提取子模型和性质分类子模型的网络参数。