[发明专利]一种基于量子图卷积的分子逆向合成方法、系统、存储介质及终端

说明书

本发明公开了一种基于量子图卷积的分子逆向合成方法、系统、存储介质及终端，属于药物分析领域，将目标产物的结构信息和化学属性表示为分子无向图的形式；对每个图节点和连接边使用one‑hot编码的方式映射为唯一的向量；再对分子图节点及连接边信息数据进行量子编码；基于编码后的量子图构建量子图卷积神经网络，输出预测反应中心的位置，得到合成子图；采用图卷积策略网络遍历所述合成子图，识别需要替换或新增的原子并映射到一个动作向量中，解码该动作向量得到反应物的表示。本发明实现从产物图到反应物图的翻译过程，保证最终反应物的可用性，解决目前分子逆向合成任务中计算难度大以及合成路线预测结果不理想的问题，为未来药物研发提供技术参考。

技术领域

本发明涉及药物分析领域，尤其涉及一种基于量子图卷积的分子逆向合成方法、系统、存储介质及终端。

背景技术

传统的分子逆向合成需要研究人员具备丰富的化学知识和实验经验，以便能够有效地设计合成方案、选择合适的试剂和反应条件，以及解决在实验过程中可能出现的问题。这需要研究人员对化学反应机理、结构活性关系、反应动力学和分析测试技术等方面有深入的理解和掌握。此外，在分子逆向合成的实验中，还需要考虑反应物的纯度、合成路径的可行性、合成产物的收率和纯度等方面的因素，并且需要对反应过程进行精细的监控和控制。由于这些因素的综合影响，传统的分子逆向合成往往需要耗费大量的时间和资源，而且在实践中往往会遇到各种困难和挑战。因此，利用机器学习等新技术，可以为分子逆向合成提供更快速、高效、准确的方法，从而大大降低实验成本和风险。

在分子逆向合成领域，常用的机器学习方法包括递归神经网络(RNN)、Transformer模型、卷积神经网络等。其中，RNN和Transformer模型是基于序列匹配的方式进行分子逆向合成的常见方法，但由于这些方法无法对反应物的可用性进行有效约束，可能导致合成路线预测结果不理想，对于具体反应物的选择和合成路径的设计仍需要人为干预。相比之下，卷积神经网络可以对分子的局部结构进行提取和表示，但由于其在空间上的局限性，无法完全考虑分子的全局结构信息，导致预测结果可能存在误差。图神经网络是一种利用深度学习对图结构数据进行学习的框架，能够全面考虑分子的拓扑和空间结构信息，并利用图卷积等操作对分子图形进行处理和建模，因此在分子逆向合成领域具有较好的应用前景。

但由于化学反应机理的复杂性和多样性，反应过程中涉及大量的中间产物和过渡态，这些因素增加了反应途径建模的难度，合成路线预测结果不理想。同时，大量药物分子图数据的计算任务对传统计算机提出了巨大挑战。

发明内容

本发明的目的在于克服目前分子逆向合成任务中普遍存在的大规模分子图计算难度大以及合成路线预测结果不理想的问题，提供了一种基于量子图卷积的分子逆向合成方法、系统、存储介质及终端。

本发明的目的是通过以下技术方案来实现的：

在第一方面，提供一种基于量子图卷积的分子逆向合成方法，包括以下步骤：

S1、将目标产物的结构信息和化学属性表示为分子无向图的形式，其中，目标产物的原子作为图节点，原子间的化学键作为连接边；

S2、对每个图节点和连接边使用one-hot编码的方式映射为唯一的向量；再对分子图节点及连接边信息数据进行量子编码，将其转换为相应的量子图；

S3、基于编码后的量子图构建量子图卷积神经网络，输出预测反应中心的位置，断开所述反应中心所在的化学键进而分离得到合成子图；

S4、采用图卷积策略网络遍历所述合成子图，识别需要替换或新增的原子并映射到一个动作向量中，解码该动作向量得到反应物的表示；

S5、重复步骤S1-S4，不断更新反应物，直到合成子图被转换成最终反应物。

作为一优选项，一种基于量子图卷积的分子逆向合成方法，所述对分子图节点及连接边信息数据进行量子编码，包括：