[发明专利]识别化合物物化性质与结构特征的方法和装置

说明书

本发明公开了一种识别化合物物化性质与结构特征的方法和装置，属于化学技术领域。方法包括获取训练集，训练集包括：多种化合物的结构特征和与化合物对应的标记目标物化性质；根据训练集对预先设置的初始深度卷积神经网络模型进行训练，得到分类用深度卷积神经网络模型；在模型训练过程中，采用通过导向反向传播算法和梯度加权类激活映射算法构建的观测器确定与标记目标物化性质相关的关键结构特征。装置包括训练集获取模块、模型得到模块和特征确定模块。本方案能更加快速有效的识别具有复杂化学结构和元素组成的化合物所具备的物理化学特性，从而能进一步辅助药品开发，新材料合成以及相关领域的发展，极大地降低识别成本，提高识别速度。

技术领域

本发明属于化学技术领域，特别涉及一种识别化合物物化性质与结构特征的方法、装置、电子设备和存储介质。

背景技术

化合物的元素组成与空间结构特征与其物理化学性质高度相关，而分子描述符是描述和量化化合物特定结构特征的一种重要的数学方法。自20世纪70年代以来，大量的分子描述符被发明和构建出来，用以对复杂化合物的结构特征进行表征。然而，多种具有不同元素组成以及空间结构的化合物在同一物理化学性质上所表现出的量化差异，往往包含许多复杂的非线性关系，这使得全体分子描述符作为一个集合，缺乏系统性的运用价值。

为了更好的指导新材料合成，药品研发，以及生物毒性评估等现实难题，需要对化合物的结构特征与其展现出的物理化学性质进行更加精准的描述，并且需要避免少量分子描述符在描述某些分子结构时所具有的先天局限性。与此同时，传统人工筛查的方法耗时费力，且常规统计学方法容易忽略大多数非线性关系，且所选取的分子描述符彼此缺乏关联性。

针对上述问题，亟需开发一种新的方法，用来系统性的识别与评估化学品结构特征与其物化性质之间的关系。

发明内容

本发明的目的是提出一种识别化合物物化性质与结构特征的方法和装置，能有效跟踪和提取与目标物理化学性质相关联的分子描述符(组)，描述所包含的化合物结构特征，通过神经网络模型对非线性关系的强大鲁棒性，加快速有效的识别和筛选与目标物理化学性质相关的化合物分子结构特征。

为达到上述目的，本发明一方面提供了一种识别化合物物化性质与结构特征的方法，其包括以下步骤：

获取训练集，训练集包括：多种化合物的结构特征和与化合物对应的标记目标物化性质；

根据训练集对预先设置的初始深度卷积神经网络模型进行训练，得到分类用深度卷积神经网络模型；

在模型训练过程中，采用通过导向反向传播算法和梯度加权类激活映射算法构建的观测器确定与标记目标物化性质相关的关键结构特征。

另一方面提供了一种识别化合物物化性质与结构特征的装置，其包括：

训练集获取模块，用于获取训练集，训练集包括：多种化合物的结构特征和与化合物对应的标记目标物化性质；

模型得到模块，用于根据训练集对预先设置的初始深度卷积神经网络模型进行训练，得到分类用深度卷积神经网络模型；

特征确定模块，用于在模型训练过程中，采用通过导向反向传播算法和梯度加权类激活映射算法构建的观测器确定与标记目标物化性质相关的关键结构特征。

又一方面提供了一种电子设备，其包括：存储器和处理器；处理器与存储器连接，被配置为基于存储在存储器中的指令，执行上述的识别化合物物化性质与结构特征的方法。

再一方面提供了一种计算机可读存储介质，其上存储有至少一条指令、至少一段程序、代码集或指令集，其特征在于，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述的识别化合物物化性质与结构特征的方法。

本发明实施例提供的技术方案带来的有益效果是：