一种药物分子性质预测方法、系统、设备及计算机介质与流程

本技术涉及人工智能辅助药物发现与分子图神经网络建模，更具体地说，涉及一种药物分子性质预测方法、系统、设备及计算机介质。

背景技术：

1、在药物发现过程中，对候选分子的理化性质与生物活性进行准确预测是实现高通量虚拟筛选的核心环节。通过实验测定的话，耗时耗力，难以支撑大规模化合物库的快速评估，因此亟需高效、准确的计算预测方法。

2、当前，可基于图神经网络（graph neural network，gnn）进行分子性质预测。然而，该类方法的分子图仅编码原子间的共价键连接，例如，对位取代苯环上氨基与硝基的推拉电子效应，在分子图中需经至少4跳传播才能实现信息交互，而gnn因过平滑现象通常仅能有效堆叠3至4层，导致远程化学效应信号在传播过程中严重衰减。虽有研究尝试引入化学知识，但均采用晚期融合策略，化学知识未参与底层消息传递，未能从根本上改变gnn的感受野与信息传播路径。导致药物分子的性质预测准确性及泛化能力差，影响后续的药物发现。

3、综上所述，如何提高药物分析的性质预测准确性和泛化能力是目前本领域技术人员亟待解决的问题。

技术实现思路

1、本技术的目的是提供一种药物分子性质预测方法，其能在一定程度上解决如何提高药物分析的性质预测准确性和泛化能力的技术问题。本技术还提供了一种药物分子性质预测系统、电子设备及计算机可读存储介质。

2、为了实现上述目的，本技术提供如下技术方案：

3、一种药物分子性质预测方法，包括：

4、获取目标药物分子的原始分子图与smiles序列；

5、识别所述目标药物分子中的官能团集合；

6、根据预设的强规则交互知识库和弱规则评分函数，在所述官能团集合中的各官能团对之间构建虚拟交互边，所述虚拟交互边用于表征物理不相连的官能团之间的非共价相互作用；

7、将所述虚拟交互边添加至所述原始分子图中，生成增强分子图；

8、应用包含物理键通道和虚拟交互通道的双通道编码器，对所述增强分子图进行编码处理，得到图表示；

9、对所述smiles序列进行编码处理，得到序列表示；

10、对所述图表示和所述序列表示进行交叉注意力融合，得到融合表征向量；

11、应用预训练的参数集对所述融合表征向量进行性质预测，得到所述目标药物分子的性质预测结果。

12、优选的，所述根据预设的强规则交互知识库和弱规则评分函数，在所述官能团集合中的各官能团对之间构建虚拟交互边，包括：

13、遍历所述官能团集合中的各官能团对，判断当前官能团对的类别组合是否命中所述强规则交互知识库中的非共价相互作用，

14、若命中，则在所述官能团集合中的当前官能团对之间创建类型化虚拟交互边；

15、若未命中，则基于当前官能团对的物理化学属性生成交互潜力评分，并判断所述交互潜力评分是否大于或等于预设的弱规则阈值；

16、若所述交互潜力评分大于或等于所述弱规则阈值，则在所述官能团集合中的当前官能团对之间创建隐式虚拟交互边；

17、其中，所述非共价相互作用包括：电子供受协同、氢键网络增强、疏水簇协同、金属螯合协同、空间位阻拮抗和酸碱性中和。

18、优选的，所述基于当前官能团对的物理化学属性生成交互潜力评分，包括：

19、对当前官能团对的电负性差值、极化率差值、氢键供受互补性、空间匹配程度及距离衰减因子进行加权求和，得到交互潜力评分。

20、优选的，虚拟交互通道用于对所述增强分子图中的所述虚拟交互边进行消息传递，所述应用包含物理键通道和虚拟交互通道的双通道编码器，对所述增强分子图进行编码处理的过程中，包括：

21、为每条所述虚拟交互边配置初始置信度和层衰减系数，所述层衰减系数按交互类型区分；

22、在执行虚拟交互通道的第

l层消息传递时，根据所述初始置信度、所述层衰减系数以及任务自适应注意力权重的乘积，更新虚拟交互边的当前置信度；

23、判断当前置信度是否低于预设的置信度剪枝阈值，若是，则在第

l层的消息传递中跳过虚拟交互边。

24、优选的，物理键通道用于对所述增强分子图中的共价键进行消息传递，所述应用包含物理键通道和虚拟交互通道的双通道编码器，对所述增强分子图进行编码处理的过程中，包括：

25、获取当前节点的物理键通道输出、虚拟交互通道输出以及上一层节点表示；

26、根据当前节点的物理键通道输出、虚拟交互通道输出以及上一层节点表示，生成当前节点的门控值；

27、根据所述门控值对物理键通道输出和虚拟交互通道输出进行加权求和，得到加权求和结果；

28、对所述加权求和结果执行残差连接和层归一化处理，得到当前层的融合节点表示；

29、其中，在所述双通道编码器的应用过程中，通过互信息正则化约束来最小化物理键通道的输出与虚拟交互通道的输出之间的互信息上界。

30、优选的，所述对所述图表示和所述序列表示进行交叉注意力融合处理，得到融合表征向量，包括：

31、将所述图表示和所述序列表示分别投影至共享融合空间；

32、以所述图表示查询所述序列表示，且以所述序列表示查询所述图表示，分别获得交叉增强后的图表示和交叉增强后的序列表示；

33、根据所述交叉增强后的图表示和所述交叉增强后的序列表示，生成融合门控值；

34、根据所述融合门控值，对交叉增强后的图表示和交叉增强后的序列表示进行加权处理，得到加权处理结果；

35、将加权处理结果与未经加权的交叉增强后的图表示和交叉增强后的序列表示进行拼接，得到拼接结果；

36、对拼接结果进行映射，得到所述融合表征向量。

37、优选的，所述应用预训练的参数集对所述融合表征向量进行性质预测之前，还包括：

38、获取训练样本集；

39、对所述训练样本集的虚拟交互边执行随机删除扰动，并以虚拟边存在性二分类作为训练任务，对分子性质预测模型进行训练；

40、对所述训练样本集的虚拟交互边执行随机删除扰动和交互类型篡改扰动，并以交互类型多分类作为训练任务，对分子性质预测模型进行训练；

41、对所述训练样本集的虚拟交互边执行随机删除扰动、交互类型篡改扰动和错误路由扰动，并以官能团路由一致性对比学习作为训练任务，对分子性质预测模型进行训练；

42、获取训练好的分子性质预测模型的参数集。

43、一种药物分子性质预测系统，包括：

44、数据获取模块，用于获取目标药物分子的原始分子图与smiles序列；

45、官能团识别模块，用于识别所述目标药物分子中的官能团集合；

46、创建模块，用于根据预设的强规则交互知识库和弱规则评分函数，在所述官能团集合中的各官能团对之间构建虚拟交互边，所述虚拟交互边用于表征物理不相连的官能团之间的非共价相互作用；

47、添加模块，用于将所述虚拟交互边添加至所述原始分子图中，生成增强分子图；

48、图编码模块，用于应用包含物理键通道和虚拟交互通道的双通道编码器，对所述增强分子图进行编码处理，得到图表示；

49、序列编码模块，用于对所述smiles序列进行编码处理，得到序列表示；

50、融合模块，用于对所述图表示和所述序列表示进行交叉注意力融合，得到融合表征向量；

51、预测模块，用于应用预训练的参数集对所述融合表征向量进行性质预测，得到所述目标药物分子的性质预测结果。

52、一种电子设备，包括：

53、存储器，用于存储计算机程序；

54、处理器，用于执行所述计算机程序时实现如上任一所述药物分子性质预测方法的步骤。

55、一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如上任一所述药物分子性质预测方法的步骤。

56、本技术提供的一种药物分子性质预测方法，获取目标药物分子的原始分子图与smiles序列；识别目标药物分子中的官能团集合；根据预设的强规则交互知识库和弱规则评分函数，在官能团集合中的各官能团对之间构建虚拟交互边，虚拟交互边用于表征物理不相连的官能团之间的非共价相互作用；将虚拟交互边添加至原始分子图中，生成增强分子图；应用包含物理键通道和虚拟交互通道的双通道编码器，对增强分子图进行编码处理，得到图表示；对smiles序列进行编码处理，得到序列表示；对图表示和序列表示进行交叉注意力融合，得到融合表征向量；应用预训练的参数集对融合表征向量进行性质预测，得到目标药物分子的性质预测结果。本技术中，通过构建用于表征物理不相连官能团之间非共价相互作用的虚拟交互边，并将其添加至原始分子图中生成增强分子图，使图神经网络能够在消息传递过程中直接感知官能团间效应，突破了传统gnn因过平滑现象而无法有效堆叠深层网络的固有限制，扩大了模型对远程化学效应的感受野；在此基础上，通过包含独立参数的物理键通道和虚拟交互通道分别处理共价键与非共价交互信息，避免了将两类物理本质不同的化学信息混合编码所导致的特征混淆；通过交叉注意力融合图表示与序列表示，实现了局部拓扑信息与全局序列语义信息的深度交互与互补增强；再结合预训练参数集提供的通用分子表示先验知识，能够在数据量有限的任务中获得更优的泛化性能，提高了对药物分子性质的预测精度和泛化性。本技术提供的一种药物分子性质预测系统、电子设备及计算机可读存储介质也解决了相应技术问题。