一种用于分子性质预测模型训练的跨数据集数据融合方法、系统和设备与流程

本发明涉及量子化学，尤其涉及一种用于分子性质预测模型训练的跨数据集数据融合方法、系统和设备。

背景技术：

1、随着量子化学计算与人工智能技术的深度交叉融合，分子性质预测领域正朝着高通量、高精度与大规模数据驱动的方向发展。在此背景下，为提升分子性质预测模型的泛化能力与预测精度，传统技术通常采用单一数据集训练或直接混合训练的策略，主要涵盖基于小规模高精度数据集的训练方法、基于单一计算协议数据集的训练方法以及直接合并多源数据集的训练方法等技术手段。

2、基于小规模高精度数据集（如qm9）的训练方法在运行过程中，训练样本量有限，难以充分发挥基座大模型的参数优势，导致模型在化学元素种类、分子构型空间及重原子数目等方面的泛化能力严重受限，无法支撑电催化剂、电解液添加剂等复杂体系的分子筛选需求；基于单一计算协议数据集的训练方法则依赖统一的密度泛函理论与基组设置，虽然能够保证训练数据标签的内部一致性，但单一数据集往往存在化学空间覆盖范围狭窄的问题，且获取高精度数据的计算成本极其高昂，难以在数据规模与获取成本之间取得平衡；直接合并多源数据集的训练方法虽能有效扩充训练样本规模，但由于不同数据集在泛函类型、基组大小、溶剂模型等量子化学计算协议上存在系统性差异，同一分子在不同数据集中对应的性质标签值往往不一致，导致模型在训练过程中学习到相互冲突的输入输出映射关系，引发模型困惑、训练震荡甚至难以收敛等技术问题。此外，上述数据训练策略均以固定数据源为训练基础，当新引入的数据集所采用的计算协议与原有数据集存在较大偏差时，即便两个数据集覆盖的化学空间高度互补，模型仍将面临标签分布不一致带来的性能退化问题，难以实现多源异构数据的有效融合利用。

3、在实际应用场景中，不同分子性质预测任务对训练数据的可靠性、一致性及样本多样性的需求存在明显差异。关键性质预测任务（如氧化还原电位）对标签的物理一致性要求极高，而一般性质预测任务对数据源的协议差异相对不敏感。然而，传统的数据集混合策略一旦确定数据融合方式便难以调整，所有数据均按照统一的方式进行处理。这使得模型训练不得不按照最严格的标签一致性要求进行数据筛选，大量低计算精度但化学空间丰富的数据集被直接舍弃，造成数据资源的严重浪费，在经济性与实用性方面存在明显不足。

技术实现思路

1、本发明的目的是为了解决现有技术中存在的缺点,而提供了一种用于分子性质预测模型训练的跨数据集数据融合方法，包括：

2、s1：获取第一数据集与第二数据集，基于分子唯一标识符对所述第一数据集与所述第二数据集进行匹配，提取同时存在于两个数据集中的重叠分子集；

3、s2：构建所述重叠分子集中各分子的分子描述符向量，并基于所述分子描述符向量与来源于所述第一数据集的目标分子性质值，训练映射模型，所述映射模型用于学习不同量子化学计算协议之间的系统偏差，以将所述第一数据集中的分子性质映射至所述第二数据集的标度体系下；

4、s3：基于所述第二数据集的分子描述符分布确定关键特征子空间，并在所述关键特征子空间中进行无监督聚类，以划分目标化学空间，利用所述映射模型将所述第一数据集中的分子映射至所述第二数据集的标度体系下，并基于聚类结果筛选出落在所述目标化学空间内的分子样本，将筛选后的所述第一数据集的映射子集与所述第二数据集合并，形成具有统一量子化学计算协议标度的融合训练集，用于分子性质预测模型的训练或微调。

5、优选地，在步骤s1中，基于分子唯一标识符对所述第一数据集与所述第二数据集进行匹配，包括：

6、所述第一数据集与所述第二数据集均包含分子结构信息以及通过不同量子化学计算协议获得的目标分子性质标签，将所述第一数据集与所述第二数据集中的分子结构信息分别转换为inchikey或规范化smiles，作为所述分子唯一标识符；

7、通过比对所述分子唯一标识符，筛选出同时存在于所述第一数据集与所述第二数据集中的分子，构成重叠分子集，将所述重叠分子集中每个分子在所述第一数据集中的目标分子性质值与在所述第二数据集中的目标分子性质值作为一对监督样本，用于训练所述映射模型。

8、优选地，在步骤s2中，所述分子描述符向量包括原子组成统计特征、拓扑结构特征、键类型与环结构特征、电子与价态统计特征、电负性与极性统计特征，以及基于三维构象的几何描述符的至少一种。

9、优选地，所述映射模型为基于树的回归模型或集成学习回归模型，所述训练映射模型包括：

10、以所述重叠分子集中每个分子的分子描述符向量及其在所述第一数据集中的目标分子性质值作为输入特征，以该分子在所述第二数据集中的目标分子性质值作为输出标签；

11、采用随机森林算法进行拟合，得到跨量子化学计算协议的映射函数：

12、，其中为分子描述符向量，为第一数据集中的性质值，为映射至第二数据集标度下的性质值。

13、优选地，在步骤s3中，基于所述第二数据集的分子描述符分布确定关键特征子空间，包括：

14、采用shap方法对所述第二数据集中的分子描述符进行可解释性分析，计算每个分子描述符对目标分子性质值的贡献度；

15、选取贡献度最高的前k个分子描述符作为关键特征，构建关键特征子空间；

16、所述无监督聚类为基于所述关键特征子空间的kmeans聚类，基于所述关键特征子空间，将所述第二数据集中的分子划分为若干个结构-响应相似的簇。

17、优选地，基于聚类结果筛选出落在所述目标化学空间内的分子样本，包括：

18、利用所述映射模型计算所述第一数据集中每个分子映射至所述第二数据集标度下的预测性质值；

19、提取所述第一数据集中每个分子在所述关键特征子空间中的特征向量，并计算其与所述第二数据集中各聚类簇中心的距离；

20、判断所述距离是否小于对应簇的预设阈值，若小于则判定该分子落在目标化学空间内，否则判定为分布外样本并剔除。

21、优选地，在步骤s3中，将筛选后的所述第一数据集的映射子集与所述第二数据集合并，包括：

22、对筛选后的所述映射子集中的预测性质值进行有效性校验，若预测值超出所述第二数据集性质值的预设分位数范围，则判定为异常值并剔除；

23、将经过聚类筛选和有效性校验后的所述第一数据集的映射子集与所述第二数据集合并，形成融合训练集。

24、优选地，所述第一数据集为qm9数据集，对应b3lyp/6-31g(2df,p)泛函基组，所述第二数据集为qo2mol数据集，对应b3lyp/def2-svp泛函基组，且前k个关键描述符中k的取值为10；

25、所述分子性质预测模型为基于图神经网络或三维构象建模的深度学习模型，包括unimol 2、graphormer或grover开源分子预训练模型。

26、基于相同的构思本发明还提供了一种用于分子性质预测模型训练的跨数据集数据融合系统，包括：

27、交集提取模块，获取第一数据集与第二数据集，基于分子唯一标识符对所述第一数据集与所述第二数据集进行匹配，提取同时存在于两个数据集中的重叠分子集；

28、映射建模模块，构建所述重叠分子集中各分子的分子描述符向量，并基于所述分子描述符向量与来源于所述第一数据集的目标分子性质值，训练映射模型，所述映射模型用于学习不同量子化学计算协议之间的系统偏差，以将所述第一数据集中的分子性质映射至所述第二数据集的标度体系下；

29、数据融合模块，基于所述第二数据集的分子描述符分布确定关键特征子空间，并在所述关键特征子空间中进行无监督聚类，以划分目标化学空间，利用所述映射模型将所述第一数据集中的分子映射至所述第二数据集的标度体系下，并基于聚类结果筛选出落在所述目标化学空间内的分子样本，将筛选后的所述第一数据集的映射子集与所述第二数据集合并，形成具有统一量子化学计算协议标度的融合训练集，用于分子性质预测模型的训练或微调。

30、基于相同的构思本发明还提供了一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如实施例中任一项所述的一种用于分子性质预测模型训练的跨数据集数据融合方法的步骤。

31、与现有技术相比，本发明的有益效果是：

32、（1）本发明通过获取第一数据集与第二数据集，基于分子唯一标识符匹配提取重叠分子集，实现不同量子化学计算协议下的数据源识别与对齐，既充分利用了第一数据集的丰富化学空间信息，又通过重叠分子集建立跨协议关联，从而在保证标签物理一致性的前提下显著扩大可用训练样本规模，降低了单一高精度数据集获取的计算成本。

33、（2）本发明通过构建分子描述符向量并训练映射模型，学习不同量子化学计算协议之间的系统偏差，将第一数据集中的分子性质映射至第二数据集的标度体系下，实现异构数据标签的统一标定，由映射模型完成跨协议偏差的校正与数值再生，消除了直接混合训练带来的信号冲突。

34、（3）本发明通过基于第二数据集的分子描述符分布确定关键特征子空间并进行无监督聚类，利用映射模型预测第一数据集分子的性质值，并基于聚类结果筛选出落在目标化学空间内的分子样本，将筛选后的映射子集与第二数据集合并形成融合训练集，实现确保只有化学空间分布一致且映射可靠的样本参与训练，避免引入跨分布误差，从而保证了模型训练的稳定性与预测精度的提升，具有高可靠性、灵活性和泛化能力。