[发明专利]一种基于对抗攻击的药物分子重要节点预测方法

说明书

本发明公开了一种在抽象图拓扑结构中结合对抗性攻击分析图网络，从而能够预测药物分子的重要节点的模型构建方法，属于图神经网络和药物分子设计技术领域。该方法通过PCNC方法对分子表征向量进行特征变换，将分子表征向量与杂讯表征输入共享参数的图神经网络得到输出结果，以输出结果波动程度衡量函数VMF作为损失函数，结合对抗性攻击分析特定节点对抗杂讯表征的鲁棒性。该方法通过理论设计和实验验证，根据相关参数建立杂讯表征以输入目标模型，在对输出结果进行波动分析之后输出关键药物分子官能团预测结果，根据关键官能团分析药物分子属性，在药物分子设计的模型解释方面具有创新意义。

技术领域

本发明涉及一种基于对抗攻击的药物分子重要节点预测技术，属于图神经网络和药物分子设计技术领域。

背景技术

目前，临床上仍有大量疾病缺乏安全有效的治疗药物。一方面，新的疾病的出现带来了对研发新药物的更大的需求，另一方面，大量已知的疾病仍缺乏对症的药物，比如各种癌症等。

近年来，基于神经网络进行药物分子设计的技术受到广泛关注，但神经网络黑盒模型的不可解释性导致对药物分子设计的结果缺乏一定的理化性质支撑。

一方面，经过神经网络设计的药物分子在应用于人体病症时需要进行充分的理论解释以及大量的实验验证。理化性质存在漏洞的药物设计对使用者会带来不可预估的损失。对药物分子性质进行直接的理化性质分析可以为药物药理功能验证提供有力的佐证，进一步的，预测可能出现的副作用，为药物的合理使用提供建议和指导。

另一方面，作为分子任务，分类、预测、相似度量等，都是药物研发过程中重要的优化方法。其中，药物分子属性预测，即虚拟筛选和最优化选择，具体来讲包括对药物的结合亲和力、毒性、吸收、分布、新陈代谢和分泌进行预测判断等，对于药物合成和筛选具有重要意义。

由此可见，对生成的分子性质进行解释是十分重要的。基于此，本发明旨在以上述神经网络模型为出发点，给出对该模型的解释方案。通过对生成的分子进行合适药理学、毒理学和药代动力学等特性的解释能够利用机器的认知增强药物学家的认知，让药物学家更快地分析出生成药物分子的性质做出改进方案以降低每次迭代的成本，甚至产生更大的实际应用价值。

发明内容

本发明旨在解决上述问题，对药物分子的关键官能团进行分析，对药物分子进行图模型建模，分别与构造出的杂讯表征输入共享参数的神经网络模型，选择波动程度衡量函数作为本发明的损失函数，最终得到杂讯表征波动程度最大的权值矩阵，每个权值偏离原特征向量的对应特征值大的特征节点即作为所分析的药物分子关键官能团预测结果，根据预先构建的官能团-分子性质词典可预测药物分子性质，从而在理化性质上对研发的药物分子进行模型解释。

为了解决上述技术问题，本发明的技术方案如下：一种基于对抗攻击的药物分子重要节点预测方法，所述方法包括以下步骤：

步骤1：对输入的药物分子进行图模型建模，编码得到对应的分子表征向量，输入检验神经网络模型中得到预处理结果；

步骤2：对得到的药物分子表征向量进行特征变换，根据PCNC方法(PerturbationConstructs Noise Characterization，基于扰动构造杂讯表征)对分子表征向量进行特征变换，输入与步骤1中所述检验神经网络中得到对应输出结果；

步骤3：将步骤1和步骤2分别得到的结果输入波动程度衡量函数VMF(VolatilityMeasurement Function)，得到以波动程度为损失函数的节点重要度；

步骤4：重复步骤2至3，直至目标函数接近收敛，得到药物分子重要节点即官能团；

步骤5：在药物分子官能团获得后进行分子性质翻译，从而得到预测的药物分子性质。