[发明专利]一种基于深度神经网络的有机荧光小分子光学性质预测方法

权利要求书

1.一种基于深度神经网络的有机荧光小分子光学性质预测方法，其特征在于，该方法包括如下步骤：

收集不同母核的有机荧光小分子的结构及光学性质数据和实验对应的检测溶剂信息，并计算有机荧光小分子及其检测溶剂的特征信息，构建获得自主有机荧光小分子数据库；其中，所述有机荧光小分子及其检测溶剂的特征信息包括分子描述符和\或一种或多种分子指纹。

采用深度神经网络(DNN)或卷积神经网络(CNN)构建有机荧光小分子光学性质预测模型，其中，模型的输入为有机荧光小分子及其检测溶剂的特征信息，输出为预测的有机荧光小分子的光学性质，利用构建的自主有机荧光小分子数据库中的数据作为训练数据，通过优化模型输出的预测值与真实值平均相对误差(MRE)训练模型；

将待预测有机荧光小分子及其检测溶剂的特征信息输入训练好的有机荧光小分子光学性质预测模型预测其光学性质。

2.根据权利要求1所述的基于深度神经网络的有机荧光小分子光学性质预测方法，其特征在于：光学性质数据包括最大吸收波长、最大发射波长、吸光系数和量子产率等，所述有机荧光小分子的结构母核包括氟硼二吡咯(BODIPY)、花青素(cyanine)、罗丹明(rhodamine)、方酸(squaraine)、香豆素(coumarin)等。

3.根据权利要求2所述的基于深度神经网络的有机荧光小分子光学性质预测方法，其特征在于：预测的有机荧光小分子的光学性质为有机荧光小分子的最大吸收波长，则模型的输入为有机荧光小分子及用于检测对应有机荧光小分子最大吸收波长的溶剂的特征信息。

4.根据权利要求1所述的基于深度神经网络的有机荧光小分子光学性质预测方法，其特征在于：获得训练好的有机荧光小分子光学性质预测模型后，还包括如下步骤：

1)对模型进行10次十折交叉验证，优化模型超参数；

其中对模型进行10次十折交叉验证的测试集为样本外测试集。

5.根据权利要求1所述的一种基于深度神经网络的有机荧光小分子光学性质预测方法，其特征在于：计算有机荧光小分子及其实验溶剂的特征信息，具体方法为：

利用RDkit计算各个荧光分子和所对应的实验溶剂的分子描述符；

利用RDkit计算各个荧光分子和所对应的实验溶剂的摩根指纹；

利用ChemDS计算各个荧光分子和所对应的实验溶剂的MACSS指纹。