[发明专利]基于SMILES的机器学习方法及系统

说明书

本发明提出一种基于SMILES的机器学习方法，包括：将SMILES字符串转化为多个BASE64字符；通过One‑Hot编码获取该BASE64字符的向量矩阵；将该向量矩阵作为训练集，对机器学习模型训练以进行化学任务。以及一种基于SMILES的机器学习系统，和一种数据处理装置。采用了本方法预处理后得到的字符串相较于原SMILES包含了更多的信息，其不仅包含字符信息还包含字符之间的隐含信息。将本方法应用到基于SMILES的新型分子设计、分子属性预测等化学任务中时，可以提取出更多的分子特征，提高了模型重构分子及分子属性预测的精度。

技术领域

本发明属于机器学习技术领域，具体涉及一种基于SMILES的机器学习方法和系统。

背景技术

简化分子线性输入规范(Simplified Molecular Input Line EntrySpecification，SMILES)字符串被广泛应用于分子描述领域，由DavidWeininger创建于1986年，其利用单行文本描述分子结构，属于典型的“线性符号”。得益于简单的语法和较短的文本，SMILES是如今在分子描述领域采用最广泛的字符串符号。SMILES根据特定的规则及化学符号将化学结构转化成字符串，采用简化的手性规范(@或@@)区分分子立体结构，符号“@”表示以下原子按逆时针列出，符号“@@”表示以下原子按顺时针列出。除此之外，SMILES还可以表示分支、循环等结构。表1展示了5种不同的分子对应的SMILES。

分子	SMILES字符串
乙烷	CC
二氧化碳	O＝C＝O
乙酸	CC(＝O)O
苯	c1ccccc1
苯酚	Oc1ccccc1

表1

当利用SMILES数据进行某些化学任务时，如新型分子设计以及分子属性预测等，需要将SMILES数据通过某些编码方式(如One-hot编码)转换为向量的形式，以输入机器学习模型进行训练。

中国国家发明“一种基于SMILES的定量构效方法和装置”(申请公布号：CN111312340A，申请日：2020年6月19日)，提出了一种基于SMILES的属性预测模型，通过将SMILES字符串转化为相应的One-Hot数字编码，并采用Embedding层对One-Hot数字编码进行处理。