[发明专利]药物分子筛选方法及系统

说明书

本发明提供一种药物分子筛选方法及系统，属于生物信息处理技术领域，包括：获取待筛选的药物分子；基于所述药物分子的分子式，获取分子定向信息描述符；其中，所述分子定向信息描述符为表征所述药物分子的分子键特征的多个一维向量组成；使用预先训练好的分类模型，对所述分子定向信息描述符进行处理，得到分子性质分类结果。本发明可以对分子进行灵活编码，且分子信息避免了循环采集，提高了分子描述的准确度；采取卷积神经网络结合自注意力模块处理分子描述符，提取了更多更全面的分子信息特征，提高了模型分类能力。

技术领域

本发明涉及生物信息处理技术领域，具体涉及一种基于分子定向信息描述符和自注意力机制的药物分子筛选方法及系统。

背景技术

分子性质预测是一种化学信息处理技术，近年来深度学习网络的发展，让对分子性能预测的效果得到了很大提高。有两类模型已经表现出了很好分子描述能力，并在分子性能预测上产生了很好的结果，一是应用于计算分子指纹或专家制作的分子描述符的神经网络，二是根据分子图结构来学习分子特征的图卷积神经网络。

分子指纹的代表是RDKit分子指纹、Morgan分子指纹等，图卷积神经网络的代表是Gated Graph Neural Networks(GG-NN)，Molecular Graph Convolutions，NeuralMessage Passing for Quantum Chemistry等。

上述两类模型方法虽然表现良好，但是各自也存在各自的缺陷，如：固定分子指纹对分子进行描述时，采集分子信息的工作不具有灵活性；分子图卷积神经网络多采用以分子中的原子为中心进行分子信息传递，且原子信息会进行循环采集，导致信息重复以致冗余，进而使分子描述能力下降；分子性质分类网络多采用feed-forward neural network(FFN)、Random Forest(RF)等结构较为简单的网络，提取分子关键信息的能力不足，预测结构不够准确。

发明内容

本发明的目的在于提供一种避免了分子信息的循环采集、提取了更全面分子关键信息的基于分子定向信息描述符和自注意力机制的药物分子筛选方法及系统，以解决上述背景技术中存在的至少一项技术问题。

为了实现上述目的，本发明采取了如下技术方案：

一方面，本发明提供一种药物分子筛选方法，包括：

获取待筛选的药物分子；

基于所述药物分子的分子式，获取分子定向信息描述符；其中，所述分子定向信息描述符为表征所述药物分子的分子键特征的多个一维向量组成；

使用预先训练好的分类模型，对所述分子定向信息描述符进行处理，得到分子性质分类结果。

优选的，获取分子定向信息描述符包括：以初始分子键为起点，沿着一个固定方向进行分子信息采集，并对采集过的分子键进行信息更新。

优选的，所述预先训练好的分类模型采用1DCNN网络级联了多个卷积层、多个最大池化层和多个丢弃层。

优选的，所述分子定向信息描述符首先被输入到两个一维卷积层的级联中，以tanh函数进行激活；在最后一层丢弃层输出后，经过展平层，输入至两层全连接层，经过keras分类器对分子性质进行分类。

优选的，在展平层前嵌入自注意力模块用于捕获分子结构中的关键信息，提高关键信息在分子特性分类过程中的比重。

优选的，第一层全连接层神经元个数为540，激活函数为relu函数，第二层神经元个数为2，激活函数为softmax函数；第二层全连接层用于二分类操作，最终输出分子性质每个类别的分类概率。

第二方面，本发明提供一种药物分子筛选系统，包括：

获取模块，用于获取待筛选的药物分子；