[发明专利]解决逆合成中产物反应中心预测的方法

说明书

本发明涉及到解决逆合成中产物反应中心预测的方法。包括构建基于反应物的第一类无向图和构建基于目标分子的第二类无向图，对逆合成的所述目标分子实施反应中心的预测并利用反应中心以推测出反应物。反应中心包括从不同反应物对应的不同第一类无向图中所选定的一组节点以及该一组被选定的节点之间的边。

技术领域

本发明主要涉及到计算化学领域，更确切的说，涉及到一种解决逆合成中产物反应中心预测的方法。

背景技术

在人工智能和机器学习领域，已经逐渐被引入到各个科学领域，并且发挥着重要的作用例如在化学领域，由于在不同条件之下的化学反应是无穷变化的，因此这就导致化学这类研发工作受限于结果的无穷性。在制备化合物分子时，研究人员需要大量的时间和精力才能设计出合理的有机合成路线，若基于人工智能技术，以此辅助研究人员进行有机合成路线设计就可大大提高研究研发化学药物分子和其他化合物的效率。

目前基于人工智能进行分子逆合成路线设计的方法含以下几种：主要是基于蒙特卡罗树搜索(Monte Carlo Tree Search，MCTS)算法进行随机搜索的步骤直到找到解决方案或达到最大深度为止，同时引入符号人工智能来完成分子逆合成路线的设计。另一种是基于深度强化学习技术，确定分子逆合成反应每一步的模板选择策略，最终得到分子逆合成路线及还有一种是基于分布式训练架构，结合深度强化学习技术加速最优分子逆合成路线的构建以及代价函数的网络拟合，通过该网络完成对训练集分子逆合成路线的设计。

传统的逆合成路线方法进行分子逆合成路线设计都耗时较长，并且传统逆合成方法在构建分子逆合成树的初期就需要决定其最大的探索高度，这样的设计思想导致如果最大的探索高度过小的话，那么一些化学式较为复杂的分子很难在有限的给定高度内顺利完成分子逆合成树的构建；反之，如果最大探索高度过大的话，则所需的时间会成指数增长而导致分子逆合成路线设计的效率和准确率较低。

图神经网络(GNN)在处理图像数据时具很强的特征抽取能力和整合能力，这主要得益于其卷积核(kernel/filter)的参数共享机制以及加权平均机制。卷积本质上其实就是一种加权求和的过程，而卷积核的参数就是不同像素点对应的权重，并且不同的各类图片都共享同一个卷积核。这使得CNN能通过对卷积核参数的迭代更新来隐式的学习图像中具有的像素排列规律，进而通过学习到不同的形状特征和空间特征。

计算化学中的一个基本问题是找到一组反应物来合成目标分子，即对反应物进行预测并称为逆合成。本申请旨在通过量子图神经网络解决反应中心预测问题。

发明内容

本申请一种解决逆合成中产物反应中心预测的方法，包括：

构建基于反应物的第一类无向图和构建基于目标分子的第二类无向图，对所述目标分子实施反应中心的预测，利用所述反应中心以推测出所述反应物；

所述反应中心包括从不同反应物对应的不同第一类无向图中所选定的一组节点以及该一组被选定的节点之间的边。

上述的方法，其中：

由不同反应物对应的诸多所述第一类无向图合成一个完整的所述第二类无向图。

上述的方法，其中：

在所述第二类无向图中计算完所有所述反应中心的评分后，选择评分最高的一个所述反应中心来定义出所述目标分子的最终断键位置处。

上述的方法，其中：

在所述第二类无向图中将每个节点的特征存储在预定维度的矩阵中、并在不同节点之间定义连线关系，籍此构建所述第二类无向图的图结构。

上述的方法，其中：

利用预设的变分量子线路聚合所述反应中心的节点特征数据和边特征数据，经过变分量子线路的演化后得到量子数据以及测量出对应的经典数据。

上述的方法，其中：