[发明专利]一种结合领域知识的药物分子生成方法

权利要求书

1.一种结合领域知识的药物分子生成方法，其特征在于，所述方法包括以下步骤：

S1、获取药物分子的原始SMILES序列表示，利用ETKDG构象搜索算法进行处理得到分子3D构象，通过分子3D构象获取分子空间信息矩阵；

S2、获取药物分子的分子表示，其包括初始节点特征矩阵和邻接矩阵；将分子空间信息矩阵嵌入到分子表示中，获得分子增强图表示；

S3、利用优化的谱聚类的算法对药物分子的原始分子图进行分割处理，得到分子划分结果，重复多次划分得到不同的分子划分结果；

S4、利用优化的聚类效果评价指标CH对分子划分结果进行选择，选取符合化学性质的分子划分结果；

S5、利用图卷积神经网络对S2得到的分子增强图表示和S4得到的分子划分结果进行嵌入学习，得到全局图表示和局部子图表示；

S6、计算全局图表示和局部子图表示的互信息，衡量两种表示之间的相关性和共享的信息量；

S7、利用全局图表示和生成任务模型进行生成任务应用，计算生成任务损失；

S8、通过最大化互信息和最小化生成任务损失对图卷积神经网络和生成任务模型进行联合训练，优化整体模型参数；

S9、采用训练完成的整体模型进行全新药物分子生成任务。

2.根据权利要求1所述的一种结合领域知识的药物分子生成方法，其特征在于，药物分子的初始节点特征矩阵和邻接矩阵分别表示为X∈{0,1}^n×k和A∈{0,1}^n×n×c，其中n、k和c分别是原子、节点类型和边类型的总数，利用分子空间信息矩阵构建分子增强图表示，涉及的公式为：

H＝X⊙exp(-Norm(DM_a2c))∈R^n×k

E＝A⊙exp(-Norm(DM_a2a))∈R^n×n

其中Norm表示归一化操作，⊙代表哈德曼点积，H表示分子增强图表示中的节点特征矩阵，E表示分子增强图表示中的边特征矩阵，两个辅助矩阵DM_a2c、DM_a2a定义如下：

其中，DM_a2c代表药物分子中原子i到分子中心的距离矩阵，DM_a2a代表药物分子中原子i，j的相互距离，SCM∈R^n×3表示分子空间信息矩阵，上标n×3代表药物分子中的n个原子的三维坐标。

3.根据权利要求1所述的一种结合领域知识的药物分子生成方法，其特征在于，步骤S3将药物分子的原始分子图G划分为k个子结构，即划分公式表示为：

其中表示与其互补图之间的切边权重之和，表示中所有边的权重之和，k表示原始分子图一次划分的划分数量。

4.根据权利要求1所述的一种结合领域知识的药物分子生成方法，其特征在于，优化的聚类效果评价指标CH指标通过最大化类内和类间的差异来对分子划分结果进行筛选，最终在多种分子划分结果中选取指标评价最优异的一组；在分子划分实验中，为了保证分子的环状等稳定结构免于切分，添加了惩罚项用于保证其结构完整性。

5.根据权利要求1所述的一种结合领域知识的药物分子生成方法，其特征在于，图卷积神经网络由3层GCN组成，采用ReLU作为激活函数，最终输出的隐变量维度为128维。

6.根据权利要求1所述的一种结合领域知识的药物分子生成方法，其特征在于，所述步骤S6计算全局图表示和局部子图表示的互信息，公式如下：

其中是全局图表示H_φ(G_i)和局部子图表示的联合分布，是全局图表示和局部子图表示的边际分布的乘积，T_ψ:用于评估全局图表示向量H_ψ(G_i)与局部子图表示向量之间的相似性得分，并且sp(·)＝log(1+exp(·))。

7.根据权利要求6所述的一种结合领域知识的药物分子生成方法，其特征在于，所述步骤S8包括整个任务的端到端的过程，通过最小化两个损失来对模型整体进行优化，公式如下：

L_total＝L_Task+λL_MI

其中L_Task和L_MI分别是生成任务损失和互信息损失，λ是平衡两个损失的超参数。