[发明专利]一种基于多任务学习的分子性能预测方法及系统

权利要求书

1.一种基于多任务学习的分子性能预测方法，其特征在于，包括以下步骤：

S1，分子特征向量抽取，以及基准回归器选取；

S2，样本内一阶模型训练，及元变量生成；

S3，样本内二阶模型训练；

S4，样本外一阶模型预测；

S5，样本外二阶模型预测；

S6，确定预测评价指标；

S7，对基于图像学习的多任务堆叠模型，将元变量在池化过程后水平连接到图神经网络GNN的分子向量，用于表示扩展的分子特征空间；

S8，多层堆叠的多任务模型衍生。

2.根据权利要求1所述的基于多任务学习的分子性能预测方法，其特征在于，在步骤S1中，所述分子特征向量包括ECFP分子圆形指纹、CM库伦指纹和基于经验的分子描述符；所述分子描述符包括拓扑、几何、电子和物化描述符；

对于图像网络模型，所述分子特征向量指通过图像卷积，或者注意力机制操作，并经过池化层汇集过后的特征向量，该特征向量在模型中为可学习变量，能够在其上堆叠预测目标值。

所述基准回归器包括机器学习回归模型，所述机器学习回归模型包括树模型、支持向量机、深度神经网络和图像网络。

3.根据权利要求1所述的基于多任务学习的分子性能预测方法，其特征在于，在步骤S2中，包括子步骤：

S21，设一共有p个分子性能，则基于特征向量X^train和p个目标(Y₁…Y_p),分配p个独立的单任务模型进行训练，得到模型(Model₁…Model_p)；

S22，通过样本内训练的模型对p个分子性能进行预测，得到p个预测的目标并将这p个预测目标值作为元变量。

4.根据权利要求1所述的基于多任务学习的分子性能预测方法，其特征在于，在步骤S3中，包括子步骤：

将p个元变量堆叠到分子特征向量上，形成转换后的特征向量并针对p个目标(Y₁…Y_p)，进行二阶模型训练，最终得到p个二阶模型(Model₁'…Model_p')。

5.根据权利要求1所述的基于多任务学习的分子性能预测方法，其特征在于，在步骤S4中，包括子步骤：

输入样本外的特征向量X^q，使用p个一阶模型(Model₁…Model_p)，对p个分子性能进行预测，得到p个性能预测值

6.根据权利要求1所述的基于多任务学习的分子性能预测方法，其特征在于，在步骤S5中，包括子步骤：

将p个性能预测值堆叠到X^q上，形成转换后的样本外特征向量使用p个二阶模型(Model₁'…Model_p')进行预测，最终得到p个预测性能

7.根据权利要求1所述的基于多任务学习的分子性能预测方法，其特征在于，在步骤S6中，包括子步骤：使用R²和RRMSE作为单任务模型的指标。

8.根据权利要求1所述的基于多任务学习的分子性能预测方法，其特征在于，在步骤S7中，对基于图像学习的多任务堆叠模型，输入为原子即节点级特征空间，元变量即目标估计将在池化过程后水平连接到图神经网络GNN的分子向量，以表示扩展的分子特征空间。