[发明专利]基于MMS_ResNet_1d模型的ERα拮抗剂的ADMET性质预测方法

权利要求书

1.一种基于MMS_ResNet_1d模型的ERα拮抗剂的ADMET性质预测方法，其特征在于，包括以下步骤：

S1：收集一系列作用于靶标ERα的拮抗剂化合物的n种ADMET性质以及m个分子结构描述符；

以靶标ERα的拮抗剂化合物的m个分子描述符作为m个自变量，对m个自变量分别进行数据标准化操作后，得到特征数据记为：X＝[x₁,x₂,…,x_i,…,x_m]，x_i表示第i个分子描述符的值；以二分类标准分别标定ERα拮抗剂化合物的n种ADMET性质，从而得到ERα拮抗剂化合物的总标签，并通过独热编码进行表示，记为因变量Y＝[y₁,y₂,…,y_j,…,y_n]，其中，y_j为第j种性质的标签，取值为0时表示负类，取值为1时表示正类；将特征数据X和因变量Y组合为数据集并划分为训练集D_train和验证集D_val；

S2：搭建由一个数据输入模块、h个分支模块和一个输出融合模块组成的MMS_ResNet_1d多尺度分类模型；

S2.1：所述数据输入模块依次包括一个卷积层Conv1d、一个批归一化层BatchNorm1d、一个激活函数层ReLU和一个最大池化层MaxPool1d，设置输入数据的通道数为m，并将所述训练集D_train按照每批次的大小为bs输入所述数据输入模块中，并输出中间特征X′；

S2.2：第a个支模块Route_a由g个残差块叠加后连接一个自适应池化层组成，且第b个残差块R_b由前处理单元P_conv经断连机制与Shortcut单元连接而成；设置第b个残差块R_b的内置参数为stride_b，a∈[1,h]；

S2.2.1：所述第b个残差块R_b的前处理单元P_conv依次包括一个卷积层Conv1d_b1、一个前批归一化层BN1d、一个ReLu激活函数层、一个卷积层Conv1d_b2、一个后批归一化层BN1d，其中，卷积层Conv1d_b1的卷积核大小为k_ab、步长为s_ab、填充大小为卷积层Conv1d_b2的卷积核大小为k_ab、步长为1、填充大小为

S2.2.2：所述残差块的Shortcut单元包含一个卷积核大小为1且步长为2的卷积层Conv1d和一个批归一化层BN1d；

S2.2.3：所述中间特征X′并行输入h个分支模块的第1个残差块R₁中，经过第a个分支模块Route_a的第1个残差块R₁中的前处理单元P_conv和Shortcut单元的处理后，输出卷积块映射值p_out_b和直连块映射值s_out_b，并由断连机制判断第1个残差块R₁的内置参数为stride₁是否为“1”，若是，则将残差映射值out₁＝p_out₁+s_out₁作为第1个残差块R₁的输出，否则，将残差映射值out₁＝p_out₁+out₀作为第1个残差块R₁的输出，当b＝1时，out₀＝X′；

当b＝2,3,…,g时，第b-1个残差块R_b-1输出残差映射值out_b-1作为第b个残差块R_b的输入，并经过第b个残差块R_b的处理后输出残差映射值out_b，从而由第g个残差块R_b的输出残差映射值out_g；

S2.2.4：最后一个残差块R_g输出的残差映射值out_g经自适应池化层处理后得到单尺度映射值Out_a并作为第a个分支模块Route_a的输出；从而得到h个分支模块输出的多尺度映射值

S2.3：所述输出融合模块依次包括一个融合层Cat、一个展平层Flatten和一个全连接层Fc，其中，所述融合层Cat将按第二个维度进行拼接后再经过展平层Flatten和全连接层Fc的处理，最终输出神经元映射值记为l＝[l₁,…l_j,…l_n]，其中，l_j代表全连接层第j个神经元输出的映射值；

S3：训练和选择模型：

S3.1：初始化学习率为lr、当前迭代次数为epoch、最优分类准确率为ACC_max、学习率调整迭代值t＝0，设置调整周期阈值为t_max；

S3.2：利用式(1)构建二分类交叉熵损失L，：

式(1)中：σ(l_j)代表将第j个神经元映射值l_j输入sigmoid函数计算所得到的第j个性质预测为正类的概率；

S3.3：在第epoch次迭代中将训练集D_train按照每批次的大小为bs进行层归一化处理后送入所述MMS_ResNet_1d模型中进行训练，并计算所述交叉熵损失L后求解m个通道的梯度，再利用基于学习率lr的Adam优化器优化梯度中的权重参数，从而得到第epoch次训练的模型；

S3.3：在第epoch次迭代训练后在验证集D_val上按照每批次大小为bs对第epoch次训练的模型进行验证，计算当前第epoch次训练的模型的决定系数ACC_epoch并作为评估指标，若ACC_epochACC_max，则将ACC_epoch赋值给ACC_max，并保存当前第epoch次训练的模型的参数，若ACC_epoch≤ACC_max，则将t+1赋值给t后，判断t＝t_max是否成立，若成立，则将学习率lr调整为0.5lr；否则，保持学习率lr；

S3.4：将epoch+1赋值给epoch后，返回步骤S3.3，直到决定系数不再提高时，停止训练并将最后一次训练的模型作为最优分类模型F；

S4：将待测试ADMET性质的n种ADMET性质输入最优分类模型F；中，并输出标签预设的对应性质的属性。