CN110459275B - 一种基于强化学习的图模型药物生成方法、装置和介质 - Google Patents

一种基于强化学习的图模型药物生成方法、装置和介质 Download PDF

Info

Publication number
CN110459275B
CN110459275B CN201910744291.8A CN201910744291A CN110459275B CN 110459275 B CN110459275 B CN 110459275B CN 201910744291 A CN201910744291 A CN 201910744291A CN 110459275 B CN110459275 B CN 110459275B
Authority
CN
China
Prior art keywords
drug
conversion
initial
drug molecule
reinforcement learning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910744291.8A
Other languages
English (en)
Other versions
CN110459275A (zh
Inventor
王涛
王静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201910744291.8A priority Critical patent/CN110459275B/zh
Publication of CN110459275A publication Critical patent/CN110459275A/zh
Application granted granted Critical
Publication of CN110459275B publication Critical patent/CN110459275B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/50—Molecular design, e.g. of drugs

Landscapes

  • Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medicinal Chemistry (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Physics & Mathematics (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Organic Low-Molecular-Weight Compounds And Preparation Thereof (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例公开了一种基于强化学习的图模型药物生成方法、装置和介质，根据药物分子的药物属性获取相对应的基本结构以及初始原子；按照药物分子的化学规则，从历史图形转换库中选取出初始原子可用的转换图；利用对抗性网络计算各转换图的概率值，确定出与初始原子连接的转换图，直至无可用的转换图，则输出构建的各药物分子；采用强化学习算法计算各药物分子的分值；并选取出分值满足预设要求的药物分子作为新生成的药物分子。引用对抗性训练与强化学习相结合的方式来指导药物分子的结构和质量，使用对抗性设置来保证非重复药物分子的生成，并通过强化学习扩展了生成的药物分子的属性，有效的提升了药物分子的生成质量。

Description

一种基于强化学习的图模型药物生成方法、装置和介质
技术领域
本发明涉及药物设计技术领域，特别是涉及一种基于强化学习的图模型药物生成方法、装置和计算机可读存储介质。
背景技术
分子发现是一种科学的潮流，分子中的微小变化可以从根本上改变其特性。实现新药物研制这一目标需要药物化学家在新分子的空间内进行搜索和优化。事实证明这项任务非常困难，主要是由于搜索空间的大小和复杂性以及化合物的空间呈现出不连续的结构，使得搜索难以进行。
智能制药旨在通过基于计算机的方法来协助这一过程。早期的工作已经开发出各种算法来产生新的分子结构，例如通过高通量筛选，生成大量化合物库，然后使用昂贵的计算技术连续过滤以确定给定物种是否具有所需特性。该方法具有许多缺点，主要是其分子空间的覆盖范围限于初始片段文库的组合。
目前深度学习方法正在大量运用在智能制药方向上，基SMILES(SimplifiedMolecular Input Line Entry System)表征的药物生成模型，可以将生成的分子编码为固定大小的长度文本序列，但是SMILES语法对于小的更改或错误不敏感，这可能导致生成无效或类内差异较小的药物分子。
可见，如何提升药物分子的生成质量，是本领域技术人员需要解决的问题。
发明内容
本发明实施例的目的是提供一种基于强化学习的图模型药物生成方法、装置和计算机可读存储介质，可以提升药物分子的生成质量。
为解决上述技术问题，本发明实施例提供一种基于强化学习的图模型药物生成方法，包括：
根据药物分子的药物属性获取相对应的基本结构以及初始原子；
按照药物分子的化学规则，从历史图形转换库中选取出所述初始原子可用的转换图；
利用对抗性网络计算各转换图的概率值，确定出与所述初始原子连接的转换图，直至无可用的转换图，则输出构建的各药物分子；
采用强化学习算法计算各药物分子的分值；并选取出分值满足预设要求的药物分子作为新生成的药物分子。
可选的，所述利用对抗性网络计算各转换图的概率值，确定出与所述初始原子连接的转换图，直至无可用的转换图，则输出构建的各药物分子包括：
计算各转换图和初始分布的距离值，删除距离值大于预设阈值的转换图，并将剩余的转换图作为与所述初始原子连接的目标转换图；
将所述目标转换图作为初始原子，并执行所述按照药物分子的化学规则，从历史图形转换库中选取出所述初始原子可用的转换图的步骤；直至无可用的转换图，则输出构建的各药物分子。
可选的，所述采用强化学习算法计算各药物分子的分值包括：
按照如下公式，计算构建出的药物分子的分值J(θ)，
Figure BDA0002165040310000021
其中，Qi表示第i个药物分子中包含的各转换图的距离值的乘积；Y＝(y1,...,yt)表示生成的各药物分子；yi表示第i个药物分子；S0和RT表示药物分子的状态；Gθ(yi|S0)表示第i个药物分子从初始状态序列化最大期望奖赏。
可选的，所述转换图包括原子添加图和原子连接图。
本发明实施例还提供了一种基于强化学习的图模型药物生成装置，包括获取单元、选取单元、构建单元和筛选单元；
所述获取单元，用于根据药物分子的药物属性获取相对应的基本结构以及初始原子；
所述选取单元，用于按照药物分子的化学规则，从历史图形转换库中选取出所述初始原子可用的转换图；
所述构建单元，用于利用对抗性网络计算各转换图的概率值，确定出与所述初始原子连接的转换图，直至无可用的转换图，则输出构建的各药物分子；
所述筛选单元，用于采用强化学习算法计算各药物分子的分值；并选取出分值满足预设要求的药物分子作为新生成的药物分子。
可选的，所述构建单元包括删除子单元和迭代子单元；
所述删除子单元，用于计算各转换图和初始分布的距离值，删除距离值大于预设阈值的转换图，并将剩余的转换图作为与所述初始原子连接的目标转换图；
所述迭代子单元，用于将所述目标转换图作为初始原子，并执行所述按照药物分子的化学规则，从历史图形转换库中选取出所述初始原子可用的转换图的步骤；直至无可用的转换图，则输出构建的各药物分子。
可选的，所述筛选单元具体用于按照如下公式，计算构建出的药物分子的分值J(θ)，
Figure BDA0002165040310000031
其中，Qi表示第i个药物分子中包含的各转换图的距离值的乘积；Y＝(y1,…,yt)表示生成的各药物分子；yi表示第i个药物分子；S0和RT表示药物分子的状态；Gθ(yi|S0)表示第i个药物分子从初始状态序列化最大期望奖赏。
可选的，所述转换图包括原子添加图和原子连接图。
本发明实施例还提供了一种基于强化学习的图模型药物生成装置，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序以实现如上述任意一项所述基于强化学习的图模型药物生成方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述基于强化学习的图模型药物生成方法的步骤。
由上述技术方案可以看出，根据药物分子的药物属性获取相对应的基本结构以及初始原子；按照药物分子的化学规则，从历史图形转换库中选取出初始原子可用的转换图；利用对抗性网络计算各转换图的概率值，确定出与初始原子连接的转换图，直至无可用的转换图，则输出构建的各药物分子；采用强化学习算法计算各药物分子的分值；并选取出分值满足预设要求的药物分子作为新生成的药物分子。在该技术方案中，引用对抗性训练与强化学习相结合的方式来指导药物分子的结构和质量，以达到智能制药生成新药物分子的效果。使用对抗性设置来保证非重复药物分子的生成，并通过强化学习扩展了生成的药物分子的属性，有效的提升了药物分子的生成质量。
附图说明
为了更清楚地说明本发明实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于强化学习的图模型药物生成方法的流程图；
图2为本发明实施例提供的一种基于强化学习的图模型药物生成装置的结构示意图；
图3为本发明实施例提供的一种基于强化学习的图模型药物生成装置的硬件结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下，所获得的所有其他实施例，都属于本发明保护范围。
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。
接下来，详细介绍本发明实施例所提供的一种基于强化学习的图模型药物生成方法。图1为本发明实施例提供的一种基于强化学习的图模型药物生成方法的流程图，该方法包括：
S101：根据药物分子的药物属性获取相对应的基本结构以及初始原子。
不同类型的药物分子有其具有的药物属性。每个药物分子根据其药物属性，有其所具有的基本结构，例如，一些药物的基础结构是苯环。
第一个原子可以根据化学结合的规则来获取，例如，笨是环形结构，每个碳接一个氢。
S102：按照药物分子的化学规则，从历史图形转换库中选取出初始原子可用的转换图。
当确定出药物分子的基本结构和初始原子之后，可以根据原子之间的连接属性，对药物分子的基本结构进行完善。
转换图可以包括两种类型，一种类型用于对药物分子的基本结构添加新的原子，另一种类型用于对药物分子的基本结构中所包含的各原子建立新键。
在本发明实施例中，可以根据已有的药物分子，预先建立历史图形转换库，在该历史图形转换库中记录了不同原子之间的连接关系。通过查询历史图像转换库，获取到可以与初始原子相连接的转换图，这些转换图即为初始原子可用的转换图。
S103：利用对抗性网络计算各转换图的概率值，确定出与初始原子连接的转换图，直至无可用的转换图，则输出构建的各药物分子。
初始原子可用的转换图往往有多种，为了提升生成的药物分子的质量，可以对初始原子可用的转换图进行筛选。
在本发明实施例中，可以利用对抗性网络对各转换图进行评估，降低生成无效或类内差异较小的药物分子。
各转换图的概率值可以在建立历史图形转换库时训练得到，也可以通过计算各转换图和初始分布的距离值，将该距离值作为选取转换图的概率值。
初始分布用于表示已经存在的药物分子的结构图。当转换图和初始分布的距离值大于预设阈值时，则说明依据该转换图得到的分子结构与初始分布来自于同一分布，为了降低生成类内差异较小的药物分子，此时可以删除距离值大于预设阈值的转换图，并将剩余的转换图作为与初始原子连接的目标转换图。
为了不断完善药物分子，在得到目标转换图之后，可以将目标转换图作为初始原子，并执行按照药物分子的化学规则，从历史图形转换库中选取出初始原子可用的转换图的步骤；直至无可用的转换图，则输出构建的各药物分子。
S104：采用强化学习算法计算各药物分子的分值；并选取出分值满足预设要求的药物分子作为新生成的药物分子。
在构建药物分子时，初始原子对应的目标转换图可以有多个，相应的初始原子可以有多种扩展方式，因此，最终得到的药物分子有多个。
在本发明实施例中，可以按照如下公式，计算构建出的药物分子的分值J(θ)，
Figure BDA0002165040310000061
其中，Qi表示第i个药物分子中包含的各转换图的距离值的乘积；Y＝(y1,...,yt)表示生成的各药物分子；yi表示第i个药物分子；S0和RT表示药物分子的状态；Gθ(yi|S0)表示第i个药物分子从初始状态序列化最大期望奖赏。
药物分子的分值越高说明新生成的药物分子的质量越好，在实际应用中，可以选取出分值最高的一个药物分子作为新生成的药物分子；或者选取分值大于预设上限值的药物分子作为新生成的药物分子。
由上述技术方案可以看出，根据药物分子的药物属性获取相对应的基本结构以及初始原子；按照药物分子的化学规则，从历史图形转换库中选取出初始原子可用的转换图；利用对抗性网络计算各转换图的概率值，确定出与初始原子连接的转换图，直至无可用的转换图，则输出构建的各药物分子；采用强化学习算法计算各药物分子的分值；并选取出分值满足预设要求的药物分子作为新生成的药物分子。在该技术方案中，引用对抗性训练与强化学习相结合的方式来指导药物分子的结构和质量，以达到智能制药生成新药物分子的效果。使用对抗性设置来保证非重复药物分子的生成，并通过强化学习扩展了生成的药物分子的属性，有效的提升了药物分子的生成质量。
图2为本发明实施例提供的一种基于强化学习的图模型药物生成装置的结构示意图，包括获取单元21、选取单元22、构建单元23和筛选单元24；
获取单元21，用于根据药物分子的药物属性获取相对应的基本结构以及初始原子；
选取单元22，用于按照药物分子的化学规则，从历史图形转换库中选取出初始原子可用的转换图；
构建单元23，用于利用对抗性网络计算各转换图的概率值，确定出与初始原子连接的转换图，直至无可用的转换图，则输出构建的各药物分子；
筛选单元24，用于采用强化学习算法计算各药物分子的分值；并选取出分值满足预设要求的药物分子作为新生成的药物分子。
可选的，构建单元包括删除子单元和迭代子单元；
删除子单元，用于计算各转换图和初始分布的距离值，删除距离值大于预设阈值的转换图，并将剩余的转换图作为与初始原子连接的目标转换图；
迭代子单元，用于将目标转换图作为初始原子，并执行按照药物分子的化学规则，从历史图形转换库中选取出初始原子可用的转换图的步骤；直至无可用的转换图，则输出构建的各药物分子。
可选的，筛选单元具体用于按照如下公式，计算构建出的药物分子的分值J(θ)，
Figure BDA0002165040310000081
其中，Qi表示第i个药物分子中包含的各转换图的距离值的乘积；Y＝(y1,...,yt)表示生成的各药物分子；yi表示第i个药物分子；S0和RT表示药物分子的状态；Gθ(yi|S0)表示第i个药物分子从初始状态序列化最大期望奖赏。
可选的，转换图包括原子添加图和原子连接图。
图2所对应实施例中特征的说明可以参见图1所对应实施例的相关说明，这里不再一一赘述。
由上述技术方案可以看出，根据药物分子的药物属性获取相对应的基本结构以及初始原子；按照药物分子的化学规则，从历史图形转换库中选取出初始原子可用的转换图；利用对抗性网络计算各转换图的概率值，确定出与初始原子连接的转换图，直至无可用的转换图，则输出构建的各药物分子；采用强化学习算法计算各药物分子的分值；并选取出分值满足预设要求的药物分子作为新生成的药物分子。在该技术方案中，引用对抗性训练与强化学习相结合的方式来指导药物分子的结构和质量，以达到智能制药生成新药物分子的效果。使用对抗性设置来保证非重复药物分子的生成，并通过强化学习扩展了生成的药物分子的属性，有效的提升了药物分子的生成质量。
图3为本发明实施例提供的一种基于强化学习的图模型药物生成装置30的硬件结构示意图，包括：
存储器31，用于存储计算机程序；
处理器32，用于执行计算机程序以实现如上述任意一项基于强化学习的图模型药物生成方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述任一项基于强化学习的图模型药物生成方法的步骤。
以上对本发明实施例所提供的一种基于强化学习的图模型药物生成方法、装置和计算机可读存储介质进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

Claims (6)

1.一种基于强化学习的图模型药物生成方法，其特征在于，包括：
根据药物分子的药物属性获取相对应的基本结构以及初始原子；
按照药物分子的化学规则，从历史图形转换库中选取出所述初始原子可用的转换图；
利用对抗性网络计算各转换图的概率值，确定出与所述初始原子连接的转换图，直至无可用的转换图，则输出构建的各药物分子；
采用强化学习算法计算各药物分子的分值；并选取出分值满足预设要求的药物分子作为新生成的药物分子；满足预设要求的药物分子包括分值最高的一个药物分子或者分值大于预设上限值的药物分子；
所述利用对抗性网络计算各转换图的概率值，确定出与所述初始原子连接的转换图，直至无可用的转换图，则输出构建的各药物分子包括：
计算各转换图和初始分布的距离值，删除距离值大于预设阈值的转换图，并将剩余的转换图作为与所述初始原子连接的目标转换图；
将所述目标转换图作为初始原子，并执行所述按照药物分子的化学规则，从历史图形转换库中选取出所述初始原子可用的转换图的步骤；直至无可用的转换图，则输出构建的各药物分子；
所述采用强化学习算法计算各药物分子的分值包括：
按照如下公式，计算构建出的药物分子的分值
Figure DEST_PATH_IMAGE001
，
Figure 191677DEST_PATH_IMAGE002
；
其中，Q i 表示第i个药物分子中包含的各转换图的距离值的乘积；
Figure DEST_PATH_IMAGE003
表示生成的各药物分子；y i 表示第i个药物分子；S 0表示药物分子的状态；R T 表示药物分子在状态S 0时获得的奖赏；
Figure 537208DEST_PATH_IMAGE004
表示第i个药物分子从初始状态序列化最大期望奖赏。
2.根据权利要求1所述的方法，其特征在于，所述转换图包括原子添加图和原子连接图。
3.一种基于强化学习的图模型药物生成装置，其特征在于，适用于权利要求1所述的基于强化学习的图模型药物生成方法，所述生成装置包括获取单元、选取单元、构建单元和筛选单元；
所述获取单元，用于根据药物分子的药物属性获取相对应的基本结构以及初始原子；
所述选取单元，用于按照药物分子的化学规则，从历史图形转换库中选取出所述初始原子可用的转换图；
所述构建单元，用于利用对抗性网络计算各转换图的概率值，确定出与所述初始原子连接的转换图，直至无可用的转换图，则输出构建的各药物分子；
所述筛选单元，用于采用强化学习算法计算各药物分子的分值；并选取出分值满足预设要求的药物分子作为新生成的药物分子；满足预设要求的药物分子包括分值最高的一个药物分子或者分值大于预设上限值的药物分子；
所述构建单元包括删除子单元和迭代子单元；
所述删除子单元，用于计算各转换图和初始分布的距离值，删除距离值大于预设阈值的转换图，并将剩余的转换图作为与所述初始原子连接的目标转换图；
所述迭代子单元，用于将所述目标转换图作为初始原子，并执行所述按照药物分子的化学规则，从历史图形转换库中选取出所述初始原子可用的转换图的步骤；直至无可用的转换图，则输出构建的各药物分子；
所述筛选单元具体用于按照如下公式，计算构建出的药物分子的分值按照如下公式，计算构建出的药物分子的分值
Figure 264730DEST_PATH_IMAGE001
，
Figure DEST_PATH_IMAGE005
；
其中，Q i 表示第i个药物分子中包含的各转换图的距离值的乘积；
Figure 328501DEST_PATH_IMAGE003
表示生成的各药物分子；y i 表示第i个药物分子；S 0表示药物分子的状态；R T 表示药物分子在状态S 0时获得的奖赏；
Figure 668347DEST_PATH_IMAGE004
表示第i个药物分子从初始状态序列化最大期望奖赏。
4.根据权利要求3所述的装置，其特征在于，所述转换图包括原子添加图和原子连接图。
5.一种基于强化学习的图模型药物生成装置，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序以实现如权利要求1至2任意一项所述基于强化学习的图模型药物生成方法的步骤。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至2任一项所述基于强化学习的图模型药物生成方法的步骤。
CN201910744291.8A 2019-08-13 2019-08-13 一种基于强化学习的图模型药物生成方法、装置和介质 Active CN110459275B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910744291.8A CN110459275B (zh) 2019-08-13 2019-08-13 一种基于强化学习的图模型药物生成方法、装置和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910744291.8A CN110459275B (zh) 2019-08-13 2019-08-13 一种基于强化学习的图模型药物生成方法、装置和介质

Publications (2)

Publication Number Publication Date
CN110459275A CN110459275A (zh) 2019-11-15
CN110459275B true CN110459275B (zh) 2022-10-21

Family

ID=68486258

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910744291.8A Active CN110459275B (zh) 2019-08-13 2019-08-13 一种基于强化学习的图模型药物生成方法、装置和介质

Country Status (1)

Country Link
CN (1) CN110459275B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021004021A1 (zh) * 2019-12-20 2021-01-14 深圳晶泰科技有限公司 一种药物研发过程中的数据管理系统及其使用方法
CN111899807B (zh) * 2020-06-12 2024-05-28 中国石油天然气股份有限公司 一种分子结构生成方法、系统、设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018220368A1 (en) * 2017-05-30 2018-12-06 Gtn Ltd Tensor network machine learning system
WO2019018780A1 (en) * 2017-07-20 2019-01-24 The University Of North Carolina At Chapel Hill NON-TRANSIENT COMPUTER-READABLE METHODS, SYSTEMS, AND MEDIA FOR THE AUTOMATED DESIGN OF MOLECULES HAVING DESIRED PROPERTIES USING ARTIFICIAL INTELLIGENCE

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130252280A1 (en) * 2012-03-07 2013-09-26 Genformatic, Llc Method and apparatus for identification of biomolecules

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018220368A1 (en) * 2017-05-30 2018-12-06 Gtn Ltd Tensor network machine learning system
WO2019018780A1 (en) * 2017-07-20 2019-01-24 The University Of North Carolina At Chapel Hill NON-TRANSIENT COMPUTER-READABLE METHODS, SYSTEMS, AND MEDIA FOR THE AUTOMATED DESIGN OF MOLECULES HAVING DESIRED PROPERTIES USING ARTIFICIAL INTELLIGENCE

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
olecular generative model based on conditional variational autoencoder for denovo molecular design;Jaechang Lim et al.;《JOURNAL OF CHEMINFORMATICS》;20180711;第10卷(第31期);全文 *

Also Published As

Publication number Publication date
CN110459275A (zh) 2019-11-15

Similar Documents

Publication Publication Date Title
Harding et al. Meta-parametric design
Clark et al. A comparison of algorithms for the pairwise alignment of biological networks
US10055539B2 (en) Systems and methods for using paired-end data in directed acyclic structure
CN110459275B (zh) 一种基于强化学习的图模型药物生成方法、装置和介质
Asano et al. Memory-constrained algorithms for simple polygons
Nacher et al. On the degree distribution of projected networks mapped from bipartite networks
Haghshenas et al. lordFAST: sensitive and fast alignment search tool for long noisy read sequencing data
Leung et al. An SDP-based divide-and-conquer algorithm for large-scale noisy anchor-free graph realization
CN113971992A (zh) 针对分子属性预测图网络的自监督预训练方法与系统
US20160335545A1 (en) Information processing apparatus and non-transitory computer readable medium
CN105874460B (zh) 识别靶序列的至少一个碱基的方法、可读介质及设备
CN110085325A (zh) 关于中医经验数据的知识图谱的构建方法及装置
Boudard et al. GARN: sampling RNA 3D structure space with game theory and knowledge-based scoring strategies
CN106843141A (zh) 数值控制装置
Seidel et al. TiDeTree: a Bayesian phylogenetic framework to estimate single-cell trees and population dynamic parameters from genetic lineage tracing data
Goloboff et al. On defining a unique phylogenetic tree with homoplastic characters
JP2010039723A (ja) 非負値行列分解の数値計算方法、非負値行列分解の数値計算装置、プログラムおよび記憶媒体
CN107688661B (zh) 歌词相似度计算方法、终端设备及计算机可读存储介质
Saleh et al. Design D-optimal event-related functional magnetic resonance imaging experiments
CN109993338B (zh) 一种链路预测方法及装置
Lopes et al. The regulatory network computational device
Menor-Flores et al. Decomposition-based multi-objective optimization approach for PPI network alignment
Muzio et al. networkGWAS: a network-based approach to discover genetic associations
CN108932259A (zh) 页面数据加载方法和装置
Lee et al. Idea engines: A unified theory of innovation and obsolescence from markets and genetic evolution to science

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant