[发明专利]基于量子卷积神经网络的药物结合能预测方法

权利要求书

1.一种基于量子卷积神经网络的药物结合能预测方法，其特征在于，包括如下步骤：

将药物分子序列数据、蛋白质序列数据及蛋白质结合口袋序列数据编码为对应的第一量子态、第二量子态、第三量子态；

分别将所述第一量子态、所述第二量子态、所述第三量子态输入至量子卷积神经网络中提取特征后融合，测量得到融合特征；以及

将所述融合特征输入至经典的全连接神经网络中，得到药物结合能对应的预测值。

2.根据权利要求1所述的方法，其特征在于：

所述量子卷积神经网络包括多个量子卷积层与多个量子池化层；

每个所述量子卷积层包括单量子比特门或多量子比特门；

每个所述量子池化层包括双量子比特受控旋转门。

3.根据权利要求2所述的方法，其特征在于：

所述单量子比特门包括单量子比特旋转门，所述多量子比特门包括受控非门。

4.根据权利要求1所述的方法，其特征在于：

所述第一量子态的编码方式包括：

对第一预定长度的所述药物分子序列数据进行降维、转置，得到对应的第一半正定矩阵；以及

对所述第一半正定矩阵进行归一化处理，得到所述第一量子态对应的第一密度矩阵。

5.根据权利要求1所述的方法，其特征在于：

所述第二量子态的编码方式包括：

对第二预定长度的所述蛋白质序列数据进行降维、转置，得到对应的第二半正定矩阵；以及

对所述第二半正定矩阵进行归一化处理，得到所述第二量子态对应的第二密度矩阵。

6.根据权利要求5所述的方法，其特征在于：

所述蛋白质序列数据包括蛋白质二级结构序列数据或残基序列数据。

7.根据权利要求1所述的方法，其特征在于：

所述第三量子态的编码方式包括：

对第三预定长度的所述蛋白质结合口袋序列数据进行降维、转置，得到对应的第三半正定矩阵；以及

对所述第三半正定矩阵进行归一化处理，得到所述第三量子态对应的第三密度矩阵。

8.根据权利要求4、5或7中任意一项所述的方法，其特征在于：

其中，所述量子卷积神经网络中量子线路的量子比特数大于等于log₂d，d为所述第一密度矩阵、所述第二密度矩阵或所述第三密度矩阵中任意一者的维度。

9.根据权利要求1所述的方法，其特征在于：

其还包括使用梯度下降方法更新所述量子卷积神经网络中的参数及使用损失函数优化药物结合能对应的所述预测值与实际值之间的差异。

10.一种基于量子卷积神经网络的药物结合能预测方法，其特征在于，包括如下步骤：

将药物分子序列数据、蛋白质序列数据及蛋白质结合口袋序列数据编码为对应的第一量子态、第二量子态、第三量子态；

分别将所述第一量子态、所述第二量子态、所述第三量子态输入至量子卷积神经网络中进行第一次特征提取后融合，得到融合特征；

对所述融合特征进行第二次特征提取，测量得到提取后的特征；以及

将所述提取后的特征输入至经典的全连接神经网络中，得到药物结合能对应的预测值。