[发明专利]一种基于机器翻译模型的先导化合物成药性优化方法

权利要求书

1.一种基于机器翻译模型的先导化合物成药性优化方法，其特征在于，包括：

利用预设数量的样本分子字符串训练翻译模型，其中，所述翻译模型包括编码器和解码器；

根据机器学习算法建立多个药代动力学终点对应的计算模型，形成预测模型组；

所述根据机器学习算法建立多个药代动力学终点对应的计算模型，形成预测模型组的步骤，包括：

从初始数据库内提取样本数据集；

从所述样本数据集中提取与每个所述药代动力学终点对应的数据训练XGBoost算法，得到每个所述药代动力学终点对应的计算模型；

根据全部所述药代动力学终点对应的计算模型形成所述预测模型组；

将初始分子字符串输入所述编码器，生成目标矢量；

根据接收到的优化指令将所述目标矢量输入预测模型组，得到所述优化指令对应的优化预测指标；

所述根据接收到的优化指令将所述目标矢量输入预测模型组，得到所述优化指令对应的优化预测指标的步骤，包括：

分析所述优化指令中包含的药代动力学终点；

根据所述优化指令中包含的药代动力学终点从所述预测模型组选取对应的计算模型；

将所述目标矢量分别输入每个所述计算模型，得到每个所述药代动力学终点对应的预测指标，并形成所述优化预测指标；

根据所述优化预测指标和所述初始分子字符串对应的计算指标进行加权平均计算，得到所述初始分子字符串的得分，其中，所述计算指标根据所述初始分子字符串直接计算得到；

所述根据所述优化预测指标和所述初始分子字符串对应的计算指标进行加权平均计算，得到所述初始分子字符串的得分的步骤，包括：

分别根据每个所述药代动力学终点的权重和预测指标计算第一预测值，以及，根据所述计算指标的值和权重计算第二预测值；

根据每个预测值所在的性质范围确定每个预测值对应的预测得分，并形成所述初始分子字符串的得分；

所述根据每个预测值所在的性质范围确定每个预测值对应的预测得分，并形成所述初始分子字符串的得分的步骤，包括：

判断每个预测值所在的范围，若预测值在预设性质范围内，则预测值对应的性质得分值为1，若预测值在所述预设性质范围外但仍在常用性质范围内，根据与目标范围距离远近对应为(0，1)的得分值，若预测值超出常用性质范围，则预测值对应的性质得分为0；

根据所述目标矢量和所述得分，利用优化算法迭代预设次数得到优化分数集合，其中，所述优化分数集合包括多个优化矢量和每个所述优化矢量对应的优化得分；

将所述优化分数集合输入所述解码器，利用预设算法计算每个所述优化矢量对应的字符串，形成目标分子字符串集合。

2.根据权利要求1所述的方法，其特征在于,所述利用预设数量的样本分子字符串训练翻译模型的步骤，包括：

分别将每个所述样本分子字符串输入所述编码器，并将所述编码器的输出结果输入所述解码器；

将所述解码器的每个输出结果与其对应的样本分子字符串的真实标签的损失，并执行梯度更新。

3.根据权利要求1所述的方法，其特征在于,所述根据所述优化预测指标和所述初始分子字符串对应的计算指标进行加权平均计算，得到所述初始分子字符串的得分的步骤之前，所述方法还包括：

对每个所述药代动力学终点和所述计算指标设置对应的权重；

设定每个所述药代动力学终点和所述计算指标对应的常用性质范围和预设性质范围，其中，所述常用性质范围大于所述预设性质范围。

4.根据权利要求1所述的方法，其特征在于,所述利用预设算法计算每个所述优化矢量对应的字符串，形成目标分子字符串集合的步骤，包括：

根据BeamSearch算法和所述优化矢量预测每个字符，直到形成字符串；

根据全部所述优化矢量对应的字符串形成所述目标分子字符串集合。