[发明专利]基于图神经网络的人体口服生物利用度预测方法

权利要求书

1.基于图神经网络的人体口服生物利用度预测方法，其特征在于，包括初始原子、化学键特征抽取模块和图神经网络模块；

所述初始原子、化学键特征抽取模块，图神经网络需要将分子结构信息转化为分子图，需要定义原子和化学键的初始特征以供图神经网络使用，利用原子结构信息，构建原子邻接矩阵代表分子的拓扑结构；

所述图神经网络模块，图神经网络的前向传播包含两个步骤，包括消息传递和读出，消息传递需要进行多次以生成好的原子、化学键的隐藏表示，读出操作将原子、化学键的隐藏表示生成分子的隐藏表示，随后使用全连接网络进行预测，得到预测结果；

S1：消息传递，消息传递包括原子消息传递、化学键消息吸收、缩放自注意力三个阶段；

在原子消息传递阶段，分子图中的每个原子会吸收与其相连的原子和化学键的信息根据：

其中，和均为学习矩阵，d^t和c^t分别是在第t次更新中，原子状态向量和化学键状态向量的维度；d^t+1是第t+1次更新中原子状态向量的维度；σ(·)是ReLU非线性激活函数；此过程用其周围邻居原子和与之相连的化学键的信息更新中心原子i自身信息；

在化学键消息吸收阶段，化学键会吸收与之相连的两个原子的信息用于更新其自身，根据：

其中，和均为学习矩阵，将与e_ij相连的两个原子的状态向量拼接；

通过原子消息传递和化学键消息吸收，使得原子的信息流向与其相连的原子和化学键，化学键也将吸收到周围原子信息，多次更新后，分子信息将流过所有原子和化学键，使得原子和化学键都具备其邻域的拓扑信息；

在缩放自注意力阶段，模型将聚焦于原子和化学键特征中，根据：

其中，V^t+1和E^t+1分别为在第t次更新中，完成原子消息传递和化学键消息吸收时的原子和化学键的状态矩阵，和均为学习矩阵，为矩阵的哈达玛积(HadamardProduct)，W_va1用于将原子状态矩阵中的信息嵌入到高维空间中，激活后，W_va2将信息提取出，再通过SoftMax(·)函数将数值转化为注意力权重，得到原子注意力权重向量，当直接使用此注意力权重向量与原子状态矩阵做哈达玛积，则会将所有特征的数值都缩小，即使是重要的特征，缩小幅度与d^t+1的大小有关，d^t+1越大，特征数值缩小的程度越大，将注意力权重向量放大d^t+1倍，使得注意力权重向量的平均值放大到1，不受特征向量长度d^t+1的影响，使模型更容易训练；

S2：读出，在读出阶段，使用多种读出函数同时处理原子和化学键，以获取到更好的分子隐藏表示，根据：

v_all＝Set2Set(V^T)||Mean(V^T)||Max(V^T) (8)

e_all＝Set2Set(E^T)||Mean(E^T)||Max(E^T) (9)

z＝v_all||e_all (10)

其中，Mean(·)、Max(·)分别为全局平均池化和全局最大池化。

2.根据权利要求1所述的基于图神经网络的人体口服生物利用度预测方法，其特征在于：所述抽取原子初始特征包括原子类型、原子序数、芳香性、杂化方式特征作为原子表示；抽取化学键初始特征包括键类型、是否为共价键、立体异构类型特征作为化学键表示，。

3.根据权利要求1所述的基于图神经网络的人体口服生物利用度预测方法，其特征在于：所述S1中，嵌入矩阵和分别用于将原子和化学键的信息嵌入到隐空间中，该空间维度为h；降维矩阵用于将隐空间中的信息转化为下层图神经网络所需的维度，用于收集原子i自身信息。