[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

说明书

本发明提供了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。本方法通过建立新的有机荧光小分子数据库，采用分子描述符和分子指纹提取分子信息，输入多层神经网络和卷积神经网络进行深度学习训练获得有机荧光小分子光学性质预测模型，将待预测有机荧光小分子及其实验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从而预测其光学性质。本发明方法能准确地预测有机荧光小分子的光学性质(平均相对误差小于5％)，从而提高有机荧光小分子的开发效率。

技术领域

本发明涉及计算机科学与化学荧光探针的交叉领域，特别是指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。

背景技术

随着生命科学的发展和研究需求，荧光成像技术逐渐成为定性和定量检测的重要手段之一。其中有机荧光小分子具有结构较小、易化学改造、光学性质优异等特点，其设计和合成一直是荧光成像领域的研究热点之一。目前对于有机荧光小分子的结构和光学性质之间的关系有了一定的理解，但能根据分子结构准确地预测其光学性质的报道还比较有限。目前大部分新型有机荧光分子的开发仍然基于同时合成一系列化合物，从而逐一考察其光学性质，筛选出具有理想荧光表现的分子，具有人力、时间成本和资源投入大、成功率偏低的局限。据此，亟需建立能够根据分子结构有效预测有机荧光小分子光学性质的方法，从而加速高性能荧光分子的构建。

自2006年Hinton等人提出深度学习的概念以来，人工智能领域步入了高速发展的新阶段。2012年以后得益于数据量的大爆发，人工智能开始大爆发。其中深度学习作为人工智能领域更为新进的成果，能够更加高效准确的认识到事物之间的联系。

发明内容

为了寻找更为有效、应用范围更大的有机荧光小分子光学性质预测的实现方案，本发明将深度学习应用于有机荧光小分子，充分利用其强大的学习表征和数据处理能力，准确预测相应分子的光学性质，提高分子设计效率。

为实现上述目的，本发明提供一种基于深度学习的有机荧光小分子光学性质预测方法，包括如下步骤：

从Web of Science和SciFinder数据库通过关键词和母核结构检索有机荧光小分子相关的文献，收集荧光分子的化学结构和实验所用的溶剂信息，记录各荧光分子的最大吸收波长、最大发射波长、吸光系数和量子产率等光学性质有关的重要参数，构建一个涵盖不同母核结构的数据库；根据分子的母核结构对数据库中的数据进行分类，获取数据的整体分布情况，选择分布相对均匀、数据相对丰富的五类母核类分子作为模型构建所需数据。通过随机分配，将其中90％的数据作为训练集，剩余10％与训练集类别相似但是不重复的数据作为测试集。

进一步地，模型输入特征为所对应的荧光分子结构和溶剂结构信息，该信息通过分子描述符、摩根指纹或MACCS指纹的方式计算处理获得。为简化结果输出，以荧光分子的最大吸收波长为例，作为模型输出。

进一步地，针对上述训练集，分别使用深度神经网络和卷积神经网络两种算法构建模型，并进行超参数的优化。

进一步地，将样本外测试集输入最佳模型，输出模型预测的最大吸收波长，根据预测平均相对误差验证模型对于样本外分子的预测能力，检验模型的准确性。

最后，对已经构建的模型进行微调，输入其他母核类型结构的分子，预测其最大吸收波长光学性质，检验模型的可迁移性。

与现有技术相比，本发明“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”具有如下效益：得益于深度神经网络对高维数据的处理能力，相关的分子特征信息能够全面地输入模型，更大程度上减少分子信息的缺失，有利于模型的学习和应用；训练涉及的分子涵盖母核结构为氟硼二吡咯、花青素、罗丹明、方酸和香豆素，数据量较丰富，这使得模型能够更加广泛地应用于多种有机荧光小分子光学性质的预测。发明方法流程清晰、简单，利于模型的重现和迁移。

附图说明