[发明专利]基于注意力机制的多维特征融合的分子性质预测的模型

权利要求书

1.一种基于注意力机制的多维特征融合的分子性质预测的模型，其特征在于：包括分子1D序列特征向量生成模块、分子2D原子图特征向量生成模块、分子3D结构特征向量生成模块及多维特征融合模块，其中所述分子3D结构特征向量生成模块使用SphereNet作为特征解码器。

2.根据权利要求1所述的基于注意力机制的多维特征融合的分子性质预测的模型，其特征在于：所述分子1D序列特征向量生成模块使用Transformer作为特征解码器。

3.根据权利要求1所述的基于注意力机制的多维特征融合的分子性质预测的模型，其特征在于：所述分子2D原子图特征向量生成模块使用MPNN作为特征解码器。

4.根据权利要求1所述的基于注意力机制的多维特征融合的分子性质预测的模型，其特征在于：所述多维特征融合模块使用相加、拼接进行特征融合，对于第i种分子，使用M_i表示，和分别是从3D结构特征编码器、2D图形特征编码器和1D序列特征编码器获得的两个特征，通过以下公式(9)和(10)获得求和或拼接特征矩阵：

5.根据权利要求1所述的基于注意力机制的多维特征融合的分子性质预测的模型，其特征在于：所述多维特征融合模块还包括多头注意力特征融合，多头注意力的计算公式如下：

Q_i＝X×W_i^Q (11)

K_i＝X×W_i^K (12)

V_i＝X×W_i^V (13)

X_MH-att＝Concat(head₁,head₂,...,head_m)W^o (14)

其中，和是同一分子的不同维度的特征向量，X是通过拼接和获得的向量；W_i^Q、W_i^K和W_i^V是参数矩阵；Q_i、K_i和V_i分别是从X的线性变换导出的Q(查询)、K(键值)、V(值)矩阵。

6.根据权利要求1所述的基于注意力机制的多维特征融合的分子性质预测的模型，其特征在于：所述模型的总损失函数如下：

其中y是样本的类标签，y^～是样本的预测值，x₁、x₂、x₃是编码器的输入，是解码器的输出，α₁+α₂+α₃＝1。

7.一种基于注意力机制的多为特征融合的分子性质预测的方法，其特征在于：使用权利要求1-6任意一项所述的基于注意力机制的多维特征融合的分子性质预测的模型，包括以下步骤：

S1：收集数据：

S2：将收集到的数据进行处理得到1D序列的特征向量、2D原子图形特征向量及3D结构特征向量；

S3：在S2得到的特征向量后，使用特征融合模块将向量融合并对下游分子性质进行预测。

8.根据权利要求7所述的基于注意力机制的多为特征融合的分子性质预测的方法，其特征在于：所述数据为QM9、MD17、MoleculeNet中的分子生理性质数据集中的一种。