[发明专利]基于表示学习的抗HBV小分子药物预测模型及其构建方法

权利要求书

1.一种基于表示学习的抗HBV小分子药物预测模型的构建方法，其特征在于：包含以下步骤：

S1：将输入的从SMILES中抽取的化合物结构Token数据依照Ising Model的数据结构，构建出稀疏矩阵W_ISM；

S2：将W_ISM经过SLEP的大规模稀疏数据处理得到其相关矩阵W_WCM；

S3：将输入的文本数据实体划分为了n个Batch来处理数据，我们取其中第i个Batch作为Batch_i，Batch_i中的实体为(Vm_i1,Vm_i2,…,Vm_ij)^T；

S4：输入Batch_i的化学结构实体(Vm_i1,Vm_i2,…,Vm_ij)^T，初始化得到化学结构实体的Embedding(Ve_i1,Ve_i2,…,Ve_ij)^T；

S5：将Batch_i经过配对生成Skip-Gram关系，得到每个化学结构的上下结构Con(Vm_ij)以及负采样词空间NEG(Vm_ij)，继续计算其预测概率u∈NEG(Vm_ij)；

依据Batch_i中Ve_ij计对上下文Con(Vm_ij)以及负采样词空间NEG(Vm_ij)中各词配对之间的预测概率，计算损失函数式(6)：

S6：根据式(6)所得损失函数，可采取多种优化方案得到梯度以便优化参数；

S7：依据实体与实体之间的配对关系，从W_WCM中索引获取实体与实体配对关系对应的局部关系矩阵W_SCM以及与负采样配对关系的关系矩阵W_NCM；

S8：将W_SCM、W_NCM与梯度结合，重新分配权重而非平均分配后，反向传播更新Vm_ij的词嵌入以及词u对应的辅助向量

2.根据权利要求1所述的基于表示学习的抗HBV小分子药物预测模型的构建方法，其特征在于：所述S2中，采取Logistic Regression的方式来解决W_ISM的正则化逻辑问题。公式如下所示：

W_WCM＝(X₁X₂,…,X_all)+(X₁X₂,…,X_all)^T (2)。

3.根据权利要求1所述的基于表示学习的抗HBV小分子药物预测模型的构建方法，其特征在于：所述S4中有：

(Ve_i1,Ve_i2,…,Ve_ij)^T＝(Vm_i1,Vm_i2,…,Vm_ij)^T·W_Ve (4)

上式(4)Vm_ij中j为Batch_i中的第j个实体,相应的，Ve_ij为第j个实体相应的Embedding，W_Ve则是向量生成过程中的权重矩阵。