CN112151128A - 相互作用信息的确定方法、装置、设备及存储介质 - Google Patents
相互作用信息的确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112151128A CN112151128A CN202011112368.9A CN202011112368A CN112151128A CN 112151128 A CN112151128 A CN 112151128A CN 202011112368 A CN202011112368 A CN 202011112368A CN 112151128 A CN112151128 A CN 112151128A
- Authority
- CN
- China
- Prior art keywords
- information
- target
- target object
- level
- basic
- 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.)
- Pending
Links
- 230000003993 interaction Effects 0.000 title claims abstract description 344
- 238000000034 method Methods 0.000 title claims abstract description 178
- 230000008569 process Effects 0.000 claims abstract description 122
- 238000012549 training Methods 0.000 claims abstract description 46
- 230000006870 function Effects 0.000 claims description 275
- 150000001413 amino acids Chemical class 0.000 claims description 104
- 238000012545 processing Methods 0.000 claims description 75
- 238000012546 transfer Methods 0.000 claims description 72
- 238000000605 extraction Methods 0.000 claims description 52
- 102000004169 proteins and genes Human genes 0.000 claims description 43
- 108090000623 proteins and genes Proteins 0.000 claims description 43
- 239000000126 substance Substances 0.000 claims description 34
- 150000003384 small molecules Chemical class 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 29
- 230000015654 memory Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 abstract description 14
- 238000013473 artificial intelligence Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 239000003814 drug Substances 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 229940079593 drug Drugs 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 241000894007 species Species 0.000 description 4
- 241000282326 Felis catus Species 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 3
- 125000003275 alpha amino acid group Chemical group 0.000 description 3
- 238000007877 drug screening Methods 0.000 description 3
- 230000009977 dual effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000003041 virtual screening Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- -1 but not limited to Chemical class 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009509 drug development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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
- G16C20/70—Machine learning, data mining or chemometrics
-
- 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
- G16C20/90—Programming languages; Computing architectures; Database systems; Data warehousing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medicinal Chemistry (AREA)
- Crystallography & Structural Chemistry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pharmacology & Pharmacy (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Toxicology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了相互作用信息的确定方法、装置、设备及存储介质。方法包括:获取第一目标物的基本信息、第二目标物的基本信息和目标相互作用信息预测模型,目标相互作用信息预测模型利用全局层面的损失函数和关键局部层面的损失函数训练得到;调用目标相互作用信息预测模型对第一目标物的基本信息和第二目标物的基本信息进行处理,得到第一目标物和第二目标物之间的目标相互作用信息。基于上述过程,相互作用信息预测模型的训练过程既关注全局的信息,又关注关键局部的信息,相互作用信息预测模型的训练效果较好,利用训练好的相互作用信息预测模型确定第一目标物和第二目标物之间的相互作用信息的准确性较高。
Description
技术领域
本申请实施例涉及人工智能技术领域,特别涉及一种相互作用信息的确定方法、装置、设备及存储介质。
背景技术
随着人工智能技术的快速发展,利用相互作用信息预测模型确定两个目标物之间的相互作用信息的应用场景越来越多。例如,利用相互作用信息预测模型确定靶标(即蛋白质)和药物(即小分子)之间的pIC50值作为相互作用信息,以实现对药物的筛选。上述pIC50值用于表示对蛋白质达到50%的抑制效果时小分子的浓度的负对数。
相关技术中,仅利用全局层面的损失函数训练相互作用信息预测模型,进而利用训练得到的相互作用信息预测模型确定两个目标物之间的相互作用信息。在此种过程中,全局层面的损失函数仅能使相互作用信息预测模型的训练过程关注到全局的信息,关注的信息较局限,相互作用信息预测模型的训练效果不佳,利用训练好的相互作用信息预测模型确定的两个目标物之间的相互作用信息的准确性较低。
发明内容
本申请实施例提供了一种相互作用信息的确定方法、装置、设备及存储介质,可用于提高相互作用信息预测模型的训练效果。所述技术方案如下:
一方面,本申请实施例提供了一种相互作用信息的确定方法,所述方法包括:
获取第一目标物的基本信息、第二目标物的基本信息和目标相互作用信息预测模型,所述目标相互作用信息预测模型利用全局层面的损失函数和关键局部层面的损失函数训练得到,所述关键局部层面的损失函数基于满足参考条件的样本物中的关键子样本物对应的注意力信息确定,所述满足参考条件的样本物中的关键子样本物为全部子样本物中的部分子样本物;
调用所述目标相互作用信息预测模型对所述第一目标物的基本信息和所述第二目标物的基本信息进行处理,得到所述第一目标物和所述第二目标物之间的目标相互作用信息。
另一方面,提供了一种相互作用信息的确定装置,所述装置包括:
获取单元,用于获取第一目标物的基本信息、第二目标物的基本信息和目标相互作用信息预测模型,所述目标相互作用信息预测模型利用全局层面的损失函数和关键局部层面的损失函数训练得到,所述关键局部层面的损失函数基于满足参考条件的样本物中的关键子样本物对应的注意力信息确定,所述满足参考条件的样本物中的关键子样本物为全部子样本物中的部分子样本物;
处理单元,用于调用所述目标相互作用信息预测模型对所述第一目标物的基本信息和所述第二目标物的基本信息进行处理,得到所述第一目标物和所述第二目标物之间的目标相互作用信息。
在一种可能实现方式中,所述处理单元,包括:
第一获取子单元,用于调用所述目标相互作用信息预测模型,基于所述第一目标物的基本信息,获取所述第一目标物对应的第一基础特征信息和所述第一目标物对应的第一注意力信息;基于所述第二目标物的基本信息,获取所述第二目标物对应的第二基础特征信息和所述第二目标物对应的第二注意力信息;
第二获取子单元,用于基于所述第一基础特征信息和所述第一注意力信息,获取所述第一目标物对应的第一全局特征信息;基于所述第二基础特征信息和所述第二注意力信息,获取所述第二目标物对应的第二全局特征信息;
第三获取子单元,用于基于所述第一全局特征信息和所述第二全局特征信息,获取所述第一目标物和所述第二目标物之间的目标相互作用信息。
在一种可能实现方式中,所述第一全局特征信息包括节点层面的第一全局特征信息和边层面的第一全局特征信息,所述第二全局特征信息包括节点层面的第二全局特征信息和边层面的第二全局特征信息,所述目标相互作用信息包括节点层面的目标相互作用信息和边层面的目标相互作用信息,所述目标相互作用信息预测模型包括第一预测处理模型和第二预测处理模型;所述第三获取子单元,用于调用所述第一预测处理模型对所述节点层面的第一全局特征信息和所述节点层面的第二全局特征信息进行预测处理,得到所述第一目标物和所述第二目标物之间的节点层面的目标相互作用信息;调用所述第二预测处理模型对所述边层面的第一全局特征信息和所述边层面的第二全局特征信息进行预测处理,得到所述第一目标物和所述第二目标物之间的边层面的目标相互作用信息。
在一种可能实现方式中,所述第一目标物的基本信息为所述第一目标物的图信息,所述第二目标物的基本信息为所述第二目标物的图信息;所述目标相互作用信息预测模型包括第一节点信息传递模型、第一边信息传递模型、第二节点信息传递模型和第二边信息传递模型;所述第一基础特征信息包括节点层面的第一基础特征信息和边层面的第一基础特征信息,所述第二基础特征信息包括节点层面的第二基础特征信息和边层面的第二基础特征信息;所述第一获取子单元,还用于调用所述第一节点信息传递模型对所述第一目标物的图信息进行节点层面的特征提取,得到所述节点层面的第一基础特征信息;调用所述第一边信息传递模型对所述第一目标物的图信息进行边层面的特征提取,得到所述边层面的第一基础特征信息;调用所述第二节点信息传递模型对所述第二目标物的图信息进行节点层面的特征提取,得到所述节点层面的第二基础特征信息;调用所述第二边信息传递模型对所述第二目标物的图信息进行边层面的特征提取,得到所述边层面的第二基础特征信息。
在一种可能实现方式中,所述第一节点信息传递模型包括第一节点特征更新层和第一节点层面特征输出层;所述第一边信息传递模型包括第一边特征更新层和第一边层面特征输出层;所述第一获取子单元,还用于调用所述第一节点特征更新层对所述第一目标物的图信息中的节点的特征进行更新处理,得到目标节点特征;调用所述第一节点层面特征输出层对所述目标节点特征进行输出处理,得到所述节点层面的第一基础特征信息;调用所述第一边特征更新层对所述第一目标物的图信息中的边的特征进行更新处理,得到目标边特征;调用所述第一边层面特征输出层对所述目标边特征进行输出处理,得到所述边层面的第一基础特征信息。
在一种可能实现方式中,所述装置还包括:
确定单元,用于基于所述第一目标物对应的第一注意力信息,在所述第一目标物的全部子目标物中确定第一关键子目标物,所述第一关键子目标物用于指示所述第一目标物中用于与所述第二目标物进行相互作用的子目标物;基于所述第二目标物对应的第二注意力信息,在所述第二目标物的全部子目标物中确定第二关键子目标物,所述第二关键子目标物用于指示所述第二目标物中用于与所述第一目标物进行相互作用的子目标物。
在一种可能实现方式中,所述处理单元,还用于调用初始相互作用信息预测模型,获取第一样本物对应的注意力信息、第二样本物对应的注意力信息以及所述第一样本物和所述第二样本物之间的预测相互作用信息,所述预测相互作用信息基于所述第一样本物对应的全局特征信息和所述第二样本物对应的全局特征信息获取得到;
所述获取单元,还用于基于所述预测相互作用信息以及所述第一样本物和所述第二样本物之间的标准相互作用信息,获取全局层面的损失函数;
所述确定单元,还用于在满足参考条件的样本物对应的注意力信息中,确定满足参考条件的样本物中的关键子样本物对应的注意力信息,所述满足参考条件的样本物为所述第一样本物和所述第二样本物中的至少一个;
所述获取单元,还用于基于所述满足参考条件的样本物中的关键子样本物对应的注意力信息,获取关键局部层面的损失函数;
所述装置还包括:
更新单元,用于基于所述全局层面的损失函数和所述关键局部层面的损失函数,反向更新所述初始相互作用信息预测模型的参数;
所述获取单元,还用于响应于参数更新过程满足终止条件,得到目标相互作用信息预测模型。
在一种可能实现方式中,所述预测相互作用信息包括节点层面的预测相互作用信息和边层面的预测相互作用信息;所述获取单元,还用于基于所述节点层面的预测相互作用信息以及所述第一样本物和所述第二样本物之间的标准相互作用信息,确定第一子损失函数;基于所述边层面的预测相互作用信息以及所述第一样本物和所述第二样本物之间的标准相互作用信息,确定第二子损失函数;基于所述节点层面的预测相互作用信息和所述边层面的预测相互作用信息,确定第三子损失函数;基于所述第一子损失函数、所述第二子损失函数和所述第三子损失函数,确定所述全局层面的损失函数。
在一种可能实现方式中,满足参考条件的样本物为所述第一样本物和所述第二样本物;所述确定单元,还用于在所述第一样本物对应的注意力信息中,确定所述第一样本物中的第一关键子样本物对应的注意力信息;在所述第二样本物对应的注意力信息中,确定所述第二样本物中的第二关键子样本物对应的注意力信息;
所述获取单元,还用于基于所述第一关键子样本物对应的注意力信息,确定第四子损失函数;基于所述第二关键子样本物对应的注意力信息,确定第五子损失函数;基于所述第四子损失函数和所述第五子损失函数,确定所述关键局部层面的损失函数。
在一种可能实现方式中,所述第一目标物的类型为蛋白质,所述第二目标物的类型为小分子;所述获取单元,还用于基于所述第一目标物的结构信息,确定所述第一目标物中的氨基酸之间的空间距离;基于所述氨基酸之间的空间距离,确定所述第一目标物对应的邻接矩阵,所述邻接矩阵用于指示所述第一目标物中的氨基酸之间的关联关系;根据所述第一目标物对应的邻接矩阵和所述第一目标物中的氨基酸,获取所述第一目标物的图信息,将所述第一目标物的图信息作为所述第一目标物的基本信息;基于所述第二目标物中的原子以及原子之间的化学键信息,获取所述第二目标物的图信息,将所述第二目标物的图信息作为所述第二目标物的基本信息。
另一方面,提供了一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条程序代码,所述至少一条程序代码由所述处理器加载并执行,以实现上述任一所述的相互作用信息的确定方法。
另一方面,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中存储有至少一条程序代码,所述至少一条程序代码由处理器加载并执行,以实现上述任一所述的相互作用信息的确定方法。
另一方面,还提供了一种计算机程序产品或计算机程序,所述计算机程序产品或计算机程序包括计算机指令,所述计算机指令存储在计算机可读存储介质中。计算机设备的处理器从所述计算机可读存储介质读取所述计算机指令,处理器执行所述计算机指令,使得所述计算机设备执行上述任一所述的相互作用信息的确定方法。
本申请实施例提供的技术方案至少带来如下有益效果:
在本申请实施例中,利用全局层面的损失函数和关键局部层面的损失函数训练相互作用信息预测模型,进而利用训练好的目标相互作用信息预测模型确定第一目标物和第二目标物之间的相互作用信息。全局层面的损失函数能够使模型的训练过程关注到全局的信息;关键局部层面的损失函数能够使模型的训练过程关注到关键局部的信息。也就是说,在本申请实施例中,相互作用信息预测模型的训练过程既关注全局的信息,又关注关键局部的信息,相互作用信息预测模型的训练效果较好,利用训练好的相互作用信息预测模型确定第一目标物和第二目标物之间的相互作用信息的准确性较高。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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是本申请实施例提供的一种相互作用信息的确定方法的实施环境的示意图;
图2是本申请实施例提供的一种相互作用信息的确定方法的流程图;
图3是本申请实施例提供的一种第一目标物的部分图信息的示意图;
图4是本申请实施例提供的一种获取第一目标物和第二目标物之间的目标相互作用信息的方法的流程图;
图5是本申请实施例提供的一种第一目标物和第二目标物之间的目标相互作用信息的获取过程的示意图;
图6是本申请实施例提供的一种训练得到目标相互作用信息预测模型的方法的流程图;
图7是本申请实施例提供的一种相互作用信息的确定装置的示意图;
图8是本申请实施例提供的一种处理单元的结构示意图;
图9是本申请实施例提供的一种相互作用信息的确定装置的示意图;
图10是本申请实施例提供的一种相互作用信息的确定设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例提供的方案涉及人工智能的机器学习技术。机器学习(MachineLearning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。
随着人工智能技术研究和进步,人工智能技术在多个领域展开研究和应用,例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等,相信随着技术的发展,人工智能技术将在更多的领域得到应用,并发挥越来越重要的价值。
本申请实施例提供了一种相互作用信息的确定方法,请参考图1,其示出了本申请实施例提供的相互作用信息的确定方法的实施环境的示意图。该实施环境包括:终端11和服务器12。
本申请实施例提供的相互作用信息的确定方法可以由终端11执行,也可以由服务器12执行,本申请实施例对此不加以限定。在示例性实施例中,对于本申请实施例提供的相互作用信息的确定方法由终端11执行的情况,终端11能够得到的相互作用信息发送至服务器12进行存储,当然,终端11也能够对得到的相互作用信息进行存储。
在示例性实施例中,对于本申请实施例提供的相互作用信息的确定方法由服务器12执行的情况,服务器12能够将得到的相互作用信息发送至终端11进行存储,当然,服务器12也能够对得到的相互作用信息进行存储。
在一种可能实现方式中,终端11可以是诸如手机、平板电脑、个人计算机等的智能设备。服务器12可以是一台服务器,也可以是由多台服务器组成的服务器集群,或者是一个云计算服务中心。终端11与服务器12通过有线或无线网络建立通信连接。
本领域技术人员应能理解上述终端11和服务器12仅为举例,其他现有的或今后可能出现的终端或服务器如可适用于本申请,也应包含在本申请保护范围以内,并在此以引用方式包含于此。
基于上述图1所示的实施环境,本申请实施例提供一种相互作用信息的确定方法,以该方法应用于服务器12为例。如图2所示,本申请实施例提供的方法可以包括如下步骤:
在步骤201中,获取第一目标物的基本信息、第二目标物的基本信息和目标相互作用信息预测模型,目标相互作用信息预测模型利用全局层面的损失函数和关键局部层面的损失函数训练得到。
其中,关键局部层面的损失函数基于满足参考条件的样本物中的关键子样本物对应的注意力信息确定,满足参考条件的样本物中的关键子样本物为全部子样本物中的部分子样本物。
第一目标物和第二目标物是指需要利用目标相互作用信息预测模型确定相互作用信息的两个目标物。本申请实施例对第一目标物和第二目标物的类型不加以限定。示例性地,第一目标物和第二目标物的类型均为蛋白质;或者,第一目标物和第二目标物的类型均为小分子;再或者,第一目标物和第二目标物中的一个目标物的类型为蛋白质,另外一个目标物的类型为小分子。需要说明的是,第一目标物和第二目标物中均包括至少一个子目标物。当某一目标物的类型为蛋白质时,该目标物中包括的子目标物的类型为氨基酸;当某一目标物的类型为小分子时,该目标物中包括的子目标物的类型为原子。
蛋白质具有空间结构,蛋白质是通过氨基酸的链在空间中折形成的;小分子是指分子量较小的分子,示例性地,小分子为分子量小于500的分子。在示例性实施例中,小分子是指药物。对于第一目标物和第二目标物中的一个目标物的类型为蛋白质,另外一个目标物的类型为小分子的情况,确定两个目标物之间的相互作用信息的过程实现药物的虚拟筛选。虚拟筛选在药物开发中扮演着一个非常重要的角色,可以大大减少相关实验所需的时间和费用。本申请实施例能够利用训练得到的目标相互作用信息预测模型进行药物的虚拟筛选,有效利用蛋白质和小分子的特征信息,提高药物的虚拟筛选的可靠性。
第一目标物的基本信息为用于输入目标相互作用信息预测模型的用于表征第一目标物的信息,第二目标物的基本信息为用于输入目标相互作用信息预测模型的用于表征第二目标物的信息。第一目标物的基本信息和第二目标物的基本信息为标相互作用信息预测模型的预测过程提供数据支持。在示例性实施例中,第一目标物的基本信息为第一目标物的图信息,第二目标物的基本信息为第二目标物的图信息。目标物的图信息用于以包括节点和边的图的形式来表示目标物。
在一种可能实现方式中,获取第一目标物的基本信息和第二目标物的基本信息的实现方式与第一目标物的类型以及第二目标物的类型有关。在示例性实施例中,第一目标物的类型以及第二目标物的类型包括以下四种情况:
情况1:第一目标物的类型为蛋白质,第二目标物的类型为小分子。
在一种可能实现方式中,在此种情况1下,获取第一目标物的基本信息和第二目标物的基本信息的实现方式包括以下步骤1至步骤4:
步骤1:基于第一目标物的结构信息,确定第一目标物中的氨基酸之间的空间距离。
当第一目标物的类型为蛋白质时,第一目标物的结构信息是指第一目标物对应的蛋白质的结构信息,蛋白质的结构信息在蛋白质的结构文件中记录,在第一目标物对应的蛋白质的结构文件中能够得到第一目标物的结构信息。
当第一目标物的类型为蛋白质时,第一目标物中包括的子目标物的类型为氨基酸。第一目标物的结构信息中包括该第一目标物中的各个氨基酸的基础信息,根据各个氨基酸的基础信息即可确定第一目标物中的氨基酸之间的空间距离。需要说明的是,第一目标物中的氨基酸之间的空间距离包括第一目标物中的任两个氨基酸之间的空间距离。
在一种可能实现方式中,在确定第一目标物中的氨基酸之间的空间距离之后,还可以标准化氨基酸之间的空间距离,得到氨基酸之间的标准空间距离。任两个氨基酸之间的标准空间距离能够为获取连接该任两个氨基酸对应的节点的边的基础特征提供参考。
在示例性实施例中,对于第一目标物对应的蛋白质中的氨基酸i和氨基酸j,基于公式1获取氨基酸i和氨基酸j之间的标准空间距离:
步骤2:基于氨基酸之间的空间距离,确定第一目标物对应的邻接矩阵,邻接矩阵用于指示第一目标物中的氨基酸之间的关联关系。
在确定第一目标物中的氨基酸之间的空间距离后,基于氨基酸之间的空间距离,确定用于指示第一目标物中的氨基酸之间的关联关系的邻接矩阵。在一种可能实现方式中,邻接矩阵由用于指示任两个氨基酸之间的关联关系的值构成。基于公式2确定用于指示氨基酸i和氨基酸j之间的关联关系的值:
其中,Aij表示用于指示氨基酸i和氨基酸j之间的关联关系的值;dij表示氨基酸i和氨基酸j之间的空间距离;d0表示距离阈值,示例性地,d0的取值为基于公式2能够确定用于指示任两个氨基酸之间的关联关系的值,从而得到第一目标物对应的邻接矩阵。
步骤3:根据第一目标物对应的邻接矩阵和第一目标物中的氨基酸,获取第一目标物的图信息,将第一目标物的图信息作为第一目标物的基本信息。
第一目标物的图信息用于以图的形式表示第一目标物。在一种可能实现方式中,根据第一目标物对应的邻接矩阵和第一目标物中的氨基酸,获取第一目标物的图信息的过程为:将第一目标物中的氨基酸作为节点,根据邻接矩阵在节点之间构建边,得到第一目标物的图信息。
在一种可能实现方式中,根据邻接矩阵在节点之间构建边的过程为:对于任两个氨基酸对应的两个节点,若基于邻接矩阵确定用于指示该任两个氨基酸之间的关联关系的值为1,则在该任两个氨基酸对应的两个节点之间构建边;若基于邻接矩阵确定用于指示该任两个氨基酸之间的关联关系的值为0,则不在该任两个氨基酸对应的两个节点之间构建边。
示例性地,第一目标物的部分图信息如图3所示。在图3所示的部分图信息中,氨基酸A、氨基酸B、氨基酸C、氨基酸D和氨基酸E均为节点,由于氨基酸A和氨基酸B之间的空间距离小于距离阈值(即dAB<d0),所以在氨基酸A和氨基酸B对应的两个节点之间存在边,同理,氨基酸B和氨基酸C对应的两个节点之间、氨基酸C和氨基酸D对应的两个节点之间以及氨基酸C和氨基酸E对应的两个节点之间均存在边。
在获取第一目标物的图信息后,将第一目标物的图信息作为第一目标物的基本信息,由此,得到第一目标物的基本信息。
步骤4:基于第二目标物中的原子以及原子之间的化学键信息,获取第二目标物的图信息,将第二目标物的图信息作为第二目标物的基本信息。
第二目标物的图信息用于以图的形式表示第二目标物。当第二目标物的类型为小分子时,第二目标物中包括的子目标物的类型为原子。在一种可能实现方式中,基于第二目标物中的原子以及原子之间的化学键信息,获取第二目标物的图信息的过程为:将第二目标物中的原子作为节点,根据原子之间的化学键信息在节点之间构建边,得到第二目标物的图信息。
在示例性实施例中,根据原子之间的化学键信息在节点之间构建边的过程为:对于任两个原子,若原子之间的化学键信息指示该任两个原子之间存在化学键连接,则在该任两个原子对应的节点之间构建边;若原子之间的化学键信息指示该任两个原子之间不存在化学键连接,则不在该任两个原子对应的节点之间构建边。
在获取第二目标物的图信息后,将第二目标物的图信息作为第二目标物的基本信息,由此,得到第二目标物的基本信息。
情况2:第一目标物的类型为小分子,第二目标物的类型为蛋白质。
在一种可能实现方式中,在此种情况2下,获取第一目标物的基本信息的实现方式为:基于第一目标物中的原子以及原子之间的化学键信息,获取第一目标物的图信息,将第一目标物的图信息作为第一目标物的基本信息。该获取第一目标物的基本信息的实现方式参见情况1下的步骤4,此处不再赘述。
获取第二目标物的基本信息的实现方式为:基于第二目标物的结构信息,确定第二目标物中的氨基酸之间的空间距离;基于氨基酸之间的空间距离,确定第二目标物对应的邻接矩阵,邻接矩阵用于指示第二目标物中的氨基酸之间的关联关系;根据第二目标物对应的邻接矩阵和第二目标物中的氨基酸,获取第二目标物的图信息,将第二目标物的图信息作为第二目标物的基本信息。该获取第二目标物的基本信息的实现方式参见情况1下的步骤1至步骤3,此处不再赘述。
情况3:第一目标物的类型为蛋白质,第二目标物的类型为蛋白质。
在一种可能实现方式中,在此种情况3下,获取第一目标物的基本信息的实现方式为:基于第一目标物的结构信息,确定第一目标物中的氨基酸之间的空间距离;基于氨基酸之间的空间距离,确定第一目标物对应的邻接矩阵,邻接矩阵用于指示第一目标物中的氨基酸之间的关联关系;根据第一目标物对应的邻接矩阵和第一目标物中的氨基酸,获取第一目标物的图信息,将第一目标物的图信息作为第一目标物的基本信息。
获取第二目标物的基本信息的实现方式为:基于第二目标物的结构信息,确定第二目标物中的氨基酸之间的空间距离;基于氨基酸之间的空间距离,确定第二目标物对应的邻接矩阵,邻接矩阵用于指示第二目标物中的氨基酸之间的关联关系;根据第二目标物对应的邻接矩阵和第二目标物中的氨基酸,获取第二目标物的图信息,将第二目标物的图信息作为第二目标物的基本信息。
上述获取第一目标物的基本信息的实现方式和获取第二目标物的基本信息的实现方式均参见情况1下的步骤1至步骤3,此处不再赘述。
情况4:第一目标物的类型为小分子,第二目标物的类型为小分子。
在一种可能实现方式中,在此种情况4下,获取第一目标物的基本信息的实现方式为:基于第一目标物中的原子以及原子之间的化学键信息,获取第一目标物的图信息,将第一目标物的图信息作为第一目标物的基本信息。获取第二目标物的基本信息的实现方式为:基于第二目标物中的原子以及原子之间的化学键信息,获取第二目标物的图信息,将第二目标物的图信息作为第一目标物的基本信息。上述获取第一目标物的基本信息的实现方式和获取第二目标物的基本信息的实现方式均参见情况1下的步骤4,此处不再赘述。
需要说明的是,以上所述仅为获取第一目标物的基本信息和第二目标物的基本信息的一种示例性描述,本申请实施例并不局限于此。在示例性实施例中,第一目标物的基本信息和第二目标物的基本信息还可以为除图信息以外的其他信息,只要能够为目标相互作用信息预测模型的预测过程提供数据支持即可,本申请实施例对此不加以限定。
在一种可能实现方式中,在获取第一目标物的基本信息和第二目标物的基本信息后,可以存储第一目标物的基本信息和第二目标物的基本信息,以便于后续通过直接提取的方式获取第一目标物的基本信息和第二目标物的基本信息。
为确定第一目标物和第二目标物之间的相互作用信息,除了获取第一目标物的基本信息和第二目标物的基本信息外,还需要获取目标相互作用信息预测模型。该目标相互作用信息预测模型是指训练好的相互作用信息预测模型。目标相互作用信息预测模型利用全局层面的损失函数和关键局部层面的损失函数训练得到。其中,全局层面的损失函数用于使模型的训练过程关注到全局的信息,关键局部层面的损失函数用于使模型的训练过程关注到关键局部的信息。也就是说,训练得到目标相互作用信息预测模型的过程既关注了全局的信息,又关注了关键局部的信息,训练效果较好。
训练得到目标相互作用信息预测模型的过程将在图6所示的实施例中进行详细介绍,此处暂不赘述。也即,全局层面的损失函数和关键局部层面的损失函数的相关内容将在图6所示的实施例中进行详细介绍,此处暂不赘述。
需要说明的是,在步骤201中,目标相互作用信息预测模型的获取方式既可以是指直接提取训练好的目标相互作用信息预测模型,也可以是指通过训练的方式获取目标相互作用信息预测模型,本申请实施例对此不加以限定。对于直接提取训练好的目标相互作用信息预测模型的情况,训练得到目标相互作用信息预测模型的过程在执行步骤201之前已经完成,且将训练得到的目标相互作用信息预测模型进行了存储。
在步骤202中,调用目标相互作用信息预测模型对第一目标物的基本信息和第二目标物的基本信息进行处理,得到第一目标物和第二目标物之间的目标相互作用信息。
第一目标物和第二目标物之间的目标相互作用信息为利用目标相互作用信息预测模型预测出的用于反映第一目标物和第二目标物之间的相互作用情况的信息。第一目标物和第二目标物之间的目标相互作用信息的含义与第一目标物和第二目标物的类型相关。在示例性实施例中,示例性地,当第一目标物和第二目标物均为小分子时,第一目标物和第二目标物之间的相互作用信息指示两个小分子之间的化学反应信息;当第一目标物和第二目标物均为蛋白质时,第一目标物和第二目标物之间的相互作用信息指示两个蛋白质之间的结合信息;当第一目标物和第二目标物中的一个目标物为蛋白质,另外一个目标物为小分子时,第一目标物和第二目标物之间的相互作用信息指示蛋白质-小分子活性信息,该蛋白质-小分子活性信息能够对小分子进行筛选。
本申请实施例对蛋白质-小分子活性信息的表示形式不加以限定。示例性地,蛋白质-小分子活性信息利用pIC50值表示。其中,pIC50=-lg(IC50),IC50用于表示对蛋白质达到50%的抑制效果时小分子的浓度。
在获取第一目标物的基本信息、第二目标物的基本信息以及目标相互作用信息预测模型后,即可调用目标相互作用信息预测模型对第一目标物的基本信息和第二目标物的基本信息进行处理,从而得到第一目标物和第二目标物之间的目标相互作用信息。
在一种可能实现方式中,参见图4,步骤202的实现过程包括以下步骤2021至步骤2023:
步骤2021:调用目标相互作用信息预测模型,基于第一目标物的基本信息,获取第一目标物对应的第一基础特征信息和第一目标物对应的第一注意力信息;基于第二目标物的基本信息,获取第二目标物对应的第二基础特征信息和第二目标物对应的第二注意力信息。
在一种可能实现方式中,基于第一目标物的基本信息,获取第一目标物对应的第一基础特征信息和第一目标物对应的第一注意力信息的过程包括以下步骤2021a和步骤2021b:
步骤2021a:基于第一目标物的基本信息,获取第一目标物对应的第一基础特征信息。
在一种可能实现方式中,目标相互作用信息预测模型包括第一特征提取模型,该第一特征提取模型用于基于第一目标物的基本信息提取第一目标物对应的第一基础特征信息。基于此,基于第一目标物的基本信息,获取第一目标物对应的第一基础特征信息的过程为:调用第一特征提取模型对第一目标物的基本信息进行特征提取,得到第一目标物对应的第一基础特征信息。本申请实施例对第一特征提取模型的模型结构不加以限定,只要能够基于第一目标物的基本信息确定第一目标物对应的第一基础特征信息即可。在示例性实施例中,当第一目标物的基本信息为第一目标物的图信息时,第一特征提取模型的模型结构为由节点信息传递模型和边信息传递模型构成的双信息传递模型。
在一种可能实现方式中,第一目标物的基本信息为第一目标物的图信息,第一特征提取模型包括第一节点信息传递模型和第一边信息传递模型,第一基础特征信息包括节点层面的第一基础特征信息和边层面的第一基础特征信息。在此种情况下,调用第一特征提取模型对第一目标物的基本信息进行特征提取,得到第一目标物对应的第一基础特征信息的过程,包括:调用第一节点信息传递模型对第一目标物的图信息进行节点层面的特征提取,得到节点层面的第一基础特征信息;调用第一边信息传递模型对第一目标物的图信息进行边层面的特征提取,得到边层面的第一基础特征信息。在示例性实施例中,第一节点信息传递模型和第一边信息传递模型的模型结构均为MPNN(Message Passing NeuralNetwork,信息传递神经网络)。
在一种可能实现方式中,第一节点信息传递模型包括第一节点特征更新层和第一节点层面特征输出层,调用第一节点信息传递模型对第一目标物的图信息进行节点层面的特征提取,得到节点层面的第一基础特征信息的过程包括以下步骤A和步骤B:
步骤A:调用第一节点特征更新层对第一目标物的图信息中的节点的特征进行更新处理,得到目标节点特征。
目标节点特征包括经过第一节点特征更新层处理后得到的第一目标物的图信息中的各个节点的更新后的节点特征。第一节点信息传递模型中的第一节点特征更新层通过聚集某一节点周围的节点特征以及到该节点的所有边特征,通过参考数量步的更新得到该节点的更新后的节点特征。参考数量根据经验设置,或者根据应用场景灵活调整,本申请实施例对此不加以限定。需要说明的是,第一目标物的图信息中一个节点对应第一目标物中的一个子目标物,若第一目标物的类型为蛋白质,则第一目标物的图信息中的一个节点对应一个氨基酸;若第一目标物的类型为小分子,则第一目标物的图信息中的一个节点对应一个原子。
在示例性实施例中,调用第一节点特征更新层对第一目标物的图信息中的节点的特征进行更新处理的过程基于公式3实现:
其中,表示节点v的初始节点特征;σ(·)表示激活函数;xv表示节点v的基础特征,该节点v的基础特征基于该节点v对应的子目标物的基础信息确定。示例性地,当第一目标物的类型为蛋白质时,节点v的基础特征基于节点v对应的氨基酸的基础信息确定,氨基酸的基础信息包括但不限于氨基酸的种类、氨基酸的序列号、氨基酸的结构等。当第一目标物的类型为小分子时,节点v的基础特征基于节点v对应的原子的基础信息确定,原子的基础信息包括但不限于原子的种类、原子的序列号、原子的电荷数等。
表示节点v对应的第d+1(d为不小于0的整数)步的信息传递函数的值;cat(·,·)表示拼接函数;N(v)表示节点v的邻接节点的集合;表示节点k经过d步更新后的节点特征;evk表示节点k到节点v的边的基础特征,示例性地,节点k到节点v的边的基础特征基于节点k对应的子目标物到节点v对应的子目标物之间的距离得到。需要说明的是,当第一目标物的类型为蛋白质时,节点k对应的氨基酸到节点v对应的氨基酸之间的距离是指标准空间距离。在公式3中,evk为信息传递过程中的关联特征(μattached)。
表示节点v经过d+1步更新后的节点特征,也表示节点v对应的第d+1步的节点更新函数的值,节点更新函数用的是线性变换加偏置;Win和Wa为第一节点特征更新层的参数,在示例性实施例中,在调用第一节点特征更新层进行多步更新的过程中,Win和Wa这两个参数共享。
假设参考数量为D(D为不小于1的整数),则根据公式3进行D步的更新处理后,得到包括第一目标物的图信息中的各个节点的更新后的节点特征的目标节点特征,执行步骤B。
步骤B:调用第一节点层面特征输出层对目标节点特征进行输出处理,得到节点层面的第一基础特征信息。
节点层面的第一基础特征信息包括第一目标物的图信息中的各个节点对应的节点层面的输出特征。
第一节点层面特征输出层的处理可视为一个额外的信息传递步骤,在该第一节点层面特征输出层中,利用不同的参数,得到第一目标物对应的节点层面的第一基础特征信息。在示例性实施例中,调用第一节点层面特征输出层对目标节点特征进行输出处理的过程基于公式4实现:
其中,表示节点υ在节点层面的融合特征;表示节点k经过D步更新后的节点特征;xk表示节点k的基础特征;在公式4中,k表示节点v的邻接节点的集合和节点v的并集;表示节点v对应的节点层面的输出特征;Wo表示第一节点层面特征输出层的参数;其他参数的含义与公式3相同。
基于公式4,能够得到第一目标物的图信息中的各个节点对应的节点层面的输出特征,进而得到第一目标物对应的节点层面的第一基础特征信息。
在一种可能实现方式中,第一边信息传递模型包括第一边特征更新层和第一边层面特征输出层,调用第一边信息传递模型对第一目标物的图信息进行边层面的特征提取,得到边层面的第一基础特征信息的过程包括以下步骤a和步骤b:
步骤a:调用第一边特征更新层对第一目标物的图信息中的边的特征进行更新处理,得到目标边特征。
目标边特征包括经过第一边特征更新层处理后得到的第一目标物的图信息中的各个边的更新后的边特征。第一节点信息传递模型中的第一边特征更新层用于通过对边进行信息汇聚,对第一目标物的图信息中的边的特征进行更新处理。在示例性实施例中,调用第一边特征更新层对第一目标物的图信息中的边的特征进行更新处理的过程基于公式5实现:
其中,表示节点w到节点v的边的初始边特征;evw表示节点w到节点v的边的基础特征;表示节点w到节点v的边对应的第d+1(d为不小于0的整数)步的信息传递函数的值;表示节点k到节点v的边经过d步更新后的边特征;xk表示节点k的基础特征。通过汇聚节点w到节点v的边的邻边集的特征以及邻边集中的邻边对应的节点的特征计算得到。其中,节点w到节点v的边的邻边集是指从节点v出发的所有边中除了节点w到节点v的边外的其他边的集合。在公式5中,xk为信息传递过程中的关联特征(μattached)。
在示例性实施例中,调用第一边特征更新层对第一目标物的图信息中的边的特征进行更新处理过程中的更新步数与调用第一节点特征更新层对第一目标物的图信息中的节点的特征进行更新处理过程中的更新步数相同。假设该相同的更新步数均为D(D为不小于1的整数),则根据公式5进行D步的更新处理后,得到包括第一目标物的图信息中的各个边的更新后的边特征的目标边特征,执行步骤b。
步骤b:调用第一边层面特征输出层对目标边特征进行输出处理,得到边层面的第一基础特征信息。
边层面的第一基础特征信息包括第一目标物的图信息中的各个节点对应的边层面的输出特征。
第一边层面特征输出层的处理可视为一个节点信息聚集步骤,在该第一边层面特征输出层中,将边的特征转移给节点,进而得到边层面的第一基础特征信息。在示例性实施例中,调用第一边层面特征输出层对目标边特征进行输出处理的过程基于公式6实现:
基于公式6,能够得到第一目标物的图信息中的各个节点对应的边层面的输出特征,进而得到第一目标物对应的边层面的第一基础特征信息。
在得到第一目标物对应的节点层面的第一基础特征信息和边层面的第一基础特征信息后,得到第一目标物对应的第一基础特征信息。
需要说明的是,以上所述仅为基于第一特征提取模型获取第一目标物对应的第一基础特征信息的一种示例性描述,本申请不局限于此。在示例性实施例中,第一特征提取模型为单分支的信息传递模型,则第一目标物对应的第一基础特征信息为一个整体的基础特征信息。
步骤2021b:基于第一目标物对应的第一基础特征信息,获取第一目标物对应的第一注意力信息。
第一注意力信息包括第一目标物的图信息中的各个节点的注意力信息,任一节点的注意力信息包括该节点在一个或多个角度对应的注意力权重,本申请实施例对任一节点的注意力信息中包括的该节点对应的注意力权重的角度数量不加以限定,该数量可以根据经验设置,或者根据应用场景灵活调整。示例性地,将任一节点的注意力信息中包括的该节点对应的注意力权重的角度数量即为r(r为不小于1的整数)。在示例性实施例中,第一目标物的图信息中的各个节点在同一角度对应的注意力权重的和为1。
第一目标物对应的第一注意力信息基于第一目标物对应的第一基础特征信息获取得到。在一种可能实现方式中,对于第一基础特征信息包括节点层面的第一基础特征信息和边层面的第一基础特征信息的情况,第一目标物对应的第一注意力信息包括节点层面的第一注意力信息和边层面的第一注意力信息。在此种情况下,基于第一目标物对应的第一基础信息,获取第一目标物对应的第一注意力信息的过程为:基于节点层面的第一基础信息,获取第一目标物对应的节点层面的第一注意力信息;基于边层面的第一基础信息,获取第一目标物对应的边层面的第一注意力信息。
节点层面的第一注意力信息包括第一目标物的图信息中的各个节点在节点层面的注意力信息,边层面的第一注意力信息包括第一目标物的图信息中的各个节点在边层面的注意力信息。对于第一目标物的图信息中的任一节点而言,该任一节点在节点层面的注意力信息可能与该任一节点在边层面的注意力信息相同,也可能与该任一节点在边层面的注意力信息不同,本申请实施例对此不加以限定。
在一种可能实现方式中,基于节点层面的第一基础特征信息,获取第一目标物对应的节点层面的第一注意力信息的过程基于公式7实现:
其中,表示第一目标物对应的节点层面的第一注意力信息;表示节点层面的第一基础特征信息的转置;W1和W2均是可学习的参数;tanh(·)表示双曲正切函数。在示例性实施例中,W1∈Rh×a,W2∈Rr×h,则在上述公式7中,W1用于进行线性变换,将a维空间的节点层面的第一基础特征信息变换到h维空间,然后讲过双曲正切函数tanh(·)进行非线性映射,接着通过W2将h维空间中的特征线性变换到r(r为不小于1的整数)维空间中,得到r个不同角度的节点注意力权重分布。对于任一角度,某一节点在该角度下对应的注意力权重越大,说明该节点在该角度越重要。最后再经过softmax(·)函数让每个角度的注意力权重和为1。
在一种可能实现方式中,基于边层面的第一基础特征信息,获取第一目标物对应的边层面的第一注意力信息的过程基于公式8实现:
其中,表示第一目标物对应的边层面的第一注意力信息;表示节点层面的第一基础特征信息的转置;其他参考的含义与公式7相同。在示例性实施例中,公式8中的W1和W2这两个参数与公式7中的W1和W2这两个参数共享,以使节点层面的第一基础特征信息和边层面的第一基础特征信息在训练过程中能够有信息交互。
在得到节点层面的第一注意力信息和边层面的第一注意信息后,得到第一目标物对应的第一注意力信息。在示例性实施例中,上述公式7和公式8可以视为自注意力读出函数,通过自注意力读出函数,能够得到第一目标物对应的第一注意力信息。
需要说明的是,以上所述仅为基于第一基础特征信息,获取第一目标物对应的第一注意力信息的一种示例性描述,本申请实施例并不局限于此。当第一基础信息为除上述情况外的其他情况时,第一注意力信息的获取过程也将发生变化。
在一种可能实现方式中,基于第二目标物的基本信息,获取第二目标物对应的第二基础特征信息和第二目标物对应的第二注意力信息的过程包括以下步骤2021c和步骤2021d:
步骤2021c:基于第二目标物的基本信息,获取第二目标物对应的第二基础特征信息。
在一种可能实现方式中,目标相互作用信息预测模型还包括第二特征提取模型,该第二特征提取模型用于基于第二目标物的基本信息提取第二目标物对应的第二基础特征信息。基于此,基于第二目标物的基本信息,获取第二目标物对应的第二基础特征信息的过程为:调用第二特征提取模型对第二目标物的基本信息进行特征提取,得到第二目标物对应的第二基础特征信息。本申请实施例对第二特征提取模型的模型结构不加以限定,只要能够基于第二目标物的基本信息确定第二目标物对应的第二基础特征信息即可。在示例性实施例中,第二特征提取模型的模型结构与第一特征提取模型的模型结构相同,当第一特征提取模型的模型结构为由节点信息传递模型和边信息传递模型构成的双信息传递模型时,第二特征提取模型的模型结构同样为由节点信息传递模型和边信息传递模型构成的双信息传递模型。
在一种可能实现方式中,第二目标物的基本信息为第二目标物的图信息,第二特征提取模型包括第二节点信息传递模型和第二边信息传递模型,第二基础特征信息包括节点层面的第二基础特征信息和边层面的第二基础特征信息。在此种情况下,调用第二特征提取模型对第二目标物的基本信息进行特征提取,得到第二目标物对应的第二基础特征信息的过程,包括:调用第二节点信息传递模型对第二目标物的图信息进行节点层面的特征提取,得到节点层面的第二基础特征信息;调用第二边信息传递模型对第二目标物的图信息进行边层面的特征提取,得到边层面的第二基础特征信息。在示例性实施例中,第二节点信息传递模型和第二边信息传递模型的模型结构均为MPNN(Message Passing NeuralNetwork,信息传递神经网络)。
在一种可能实现方式中,第二节点信息传递模型包括第二节点特征更新层和第二节点层面特征输出层,调用第二节点信息传递模型对第二目标物的图信息进行节点层面的特征提取,得到节点层面的第二基础特征信息的过程包括:调用第二节点特征更新层对第二目标物的图信息中的节点的特征进行更新处理,得到目标节点特征;调用第二节点层面特征输出层对目标节点特征进行输出处理,得到节点层面的第二基础特征信息。该过程的实现方式参见步骤2021a中的步骤A和步骤B,此处不再赘述。
在一种可能实现方式中,第二边信息传递模型包括第二边特征更新层和第二边层面特征输出层,调用第二边信息传递模型对第二目标物的图信息进行边层面的特征提取,得到边层面的第二基础特征信息的过程为:调用第二边特征更新层对第二目标物的图信息中的边的特征进行更新处理,得到目标边特征;调用第二边层面特征输出层对目标边特征进行输出处理,得到边层面的第二基础特征信息。该过程的实现方式参见步骤2021a中的步骤a和步骤b,此处不再赘述。
在得到第二目标物对应的节点层面的第二基础特征信息和边层的第二基础特征信息后,得到第二目标物对应的第二基础特征信息。
需要说明的是,以上所述仅为基于第二特征提取模型获取第二目标物对应的第二基础特征信息的一种示例性描述,本申请不局限于此。在示例性实施例中,第二特征提取模型为单分支的信息传递模型,则第二目标物对应的第二基础特征信息为一个整体的基础特征信息。
步骤2021d:基于第二目标物对应的第二基础特征信息,获取第二目标物对应的第二注意力信息。
第二注意力信息包括第二目标物的图信息中的各个节点的注意力信息,第二目标物对应的第二注意力信息基于第二目标物对应的第二基础特征信息获取得到。
在一种可能实现方式中,对于第二基础特征信息包括节点层面的第二基础特征信息和边层面的第二基础特征信息的情况,第二目标物对应的第二注意力信息包括节点层面的第二注意力信息和边层面的第二注意力信息。在此种情况下,基于第二基础信息,获取第二目标物对应的第二注意力信息的过程为:基于节点层面的第二基础信息,获取第二目标物对应的节点层面的第二注意力信息;基于边层面的第二基础信息,获取第二目标物对应的边层面的第二注意力信息。该过程的实现方式参见步骤2021b,此处不再赘述。在得到节点层面的第二注意力信息和边层面的第二注意信息后,得到第二目标物对应的第二注意力信息。
需要说明的是,获取第二目标物对应的节点层面的第二注意力信息和边层面的第二注意力信息的过程中利用的自注意力读出函数中的参数值可以与获取第一目标物对应的节点层面的第一注意力信息和边层面的第一注意力信息的过程中利用的自注意力读出函数中的参数值不同,也可以相同,本申请实施例对此不加以限定。
节点层面的第二注意力信息包括第二目标物的图信息中的各个节点在节点层面的注意力信息,边层面的第二注意力信息包括第二目标物的图信息中的各个节点在边层面的注意力信息。对于第二目标物的图信息中的任一节点而言,该任一节点在节点层面的注意力信息可能与该任一节点在边层面的注意力信息相同,也可能与该任一节点在边层面的注意力信息不同,本申请实施例对此不加以限定。
需要说明的是,以上所述仅为基于第二基础特征信息,获取第二目标物对应的第二注意力信息的一种示例性描述,本申请实施例并不局限于此。当第二基础信息为除上述情况外的其他情况时,第二注意力信息的获取过程也将发生变化。
步骤2022:基于第一基础特征信息和第一注意力信息,获取第一目标物对应的第一全局特征信息;基于第二基础特征信息和第二注意力信息,获取第二目标物对应的第二全局特征信息。
第一目标物对应的第一全局特征信息是指第一目标物对应的包含了注意力信息的全局的特征信息。在一种可能实现方式中,第一基础特征信息包括节点层面的第一基础特征信息和边层面的第一基础特征信息,第一注意力信息包括节点层面的第一注意力信息和边层面的第一注意力信息,在此种情况下,第一目标物对应的第一全局特征信息包括节点层面的第一全局特征信息和边层面的第一全局特征信息。
在一种可能实现方式中,基于第一基础特征信息和第一注意力信息,获取第一目标物对应的第一全局特征信息的过程为:基于节点层面的第一基础特征信息和节点层面的第一注意力信息,获取第一目标物对应的节点层面的第一全局特征信息;基于边层面的第一基础特征信息和边层面的第一注意力信息,获取第一目标物对应的边层面的第一全局特征信息。
第一目标物对应的节点层面的第一全局特征信息是指第一目标物对应的包含了节点层面的注意力信息的全局的特征信息。在一种可能实现方式中,基于节点层面的第一基础特征信息和节点层面的第一注意力信息,获取第一目标物对应的节点层面的第一全局特征信息的过程基于公式9实现:
其中,表示第一目标物对应的节点层面的第一全局特征信息;表示第一目标物对应的节点层面的第一基础特征信息;表示第一目标物对应的节点层面的第一注意力信息;flatten(·)函数表示展开成一维向量。在示例性实施例中,则其中,n表示第一目标物的图信息中的节点的数量,r表示任一节点对应的注意力权重的角度数量,a表示自定义对齐数值,即使不同的第一目标物的图信息中的节点的数量不同,基于公式9,均能够得到固定大小的包含了节点注意力权重的全局特征信息。
第一目标物对应的边层面的第一全局特征信息是指第一目标物对应的包含了边层面的注意力信息的全局的特征信息。在一种可能实现方式中,基于边层面的第一基础特征信息和边层面的第一注意力信息,获取第一目标物对应的边层面的第一全局特征信息的过程基于公式10实现:
在得到节点层面的第一全局特征信息和边层面的第一全局特征信息后,得到第一目标物对应的第一全局特征信息。
第二目标物对应的第二全局特征信息是指第二目标物对应的包含了注意力信息的全局的特征信息。在一种可能实现方式中,第二基础特征信息包括节点层面的第二基础特征信息和边层面的第二基础特征信息,第二注意力信息包括节点层面的第二注意力信息和边层面的第二注意力信息,在此种情况下,第二目标物对应的第二全局特征信息包括节点层面的第二全局特征信息和边层面的第二全局特征信息。
在一种可能实现方式中,基于第二基础特征信息和第二注意力信息,获取第二目标物对应的第二全局特征信息的过程为:基于节点层面的第二基础特征信息和节点层面的第二注意力信息,获取第二目标物对应的节点层面的第二全局特征信息;基于边层面的第二基础特征信息和边层面的第二注意力信息,获取第二目标物对应的边层面的第二全局特征信息。
第二目标物对应的节点层面的第二全局特征信息是指第二目标物对应的包含了节点层面的注意力信息的全局的特征信息。第二目标物对应的边层面的第二全局特征信息是指第二目标物对应的包含了边层面的注意力信息的全局的特征信息。第二目标物对应的节点层面的第二全局特征信息和边层面的第二全局特征信息的获取方式参见第一目标物对应的节点层面的第一全局特征信息和边层面的第一全局特征信息的获取方式,此处不再赘述。在得到节点层面的第二全局特征信息和边层面的第二全局特征信息后,得到第二目标物对应的第二全局特征信息。
需要说明的是,以上所述仅为一种获取第一目标物对应的第一全局特征信息和第二目标物对应的第二全局特征信息的一种示例性描述,本申请实施例并不局限于此。在示例性实施例中,对于第一基础特征信息和第二基础特征信息均为一个整体的基础特征信息的情况,第一注意力信息和第二注意力信息同样均为一个整体的注意力信息,在此种情况下,直接基于第一基础特征信息和第一注意力信息,获取一个整体的第一全局特征信息,直接基于第二基础特征信息和第二注意力信息,获取一个整体的第二全局特征信息。
需要说明的是,由于在获取第一全局特征信息的过程中综合考虑了第一目标物的图信息中的全部节点的特征,所以第一全局特征信息能够从全局方面表示第一目标物,同理,第二全局特征信息能够从全局方面表示第二目标物。
步骤2023:基于第一全局特征信息和第二全局特征信息,获取第一目标物和第二目标物之间的目标相互作用信息。
在一种可能实现方式中,目标相互作用信息预测模型包括预测处理模型,基于第一全局特征信息和第二全局特征信息,获取第一目标物和第二目标物之间的目标相互作用信息的实现过程为:调用测处理模型对第一全局特征信息和第二全局特征信息进行预测处理,得到第一目标物和第二目标物之间的目标相互作用信息。
在得到第一目标物对应的第一全局特征信息和第二目标物对应的第二全局特征信息后,将第一全局特征信息和第二全局特征信息输入预测处理模型,经过预测处理模型的处理后,得到第一目标物和第二目标物之间的目标相互作用信息。在示例性实施例中,在将第一全局特征信息和第二全局特征信息输入预测处理模型后,预测处理模型对第一全局特征信息和第二全局特征信息进行整合处理,然后得到第一目标物和第二目标物之间的目标相互作用信息。
在一种可能实现方式中,对于第一全局特征信息包括节点层面的第一全局特征信息和边层面的第一全局特征信息,第二全局特征信息包括节点层面的第二全局特征信息和边层面的第二全局特征信息的情况,第一目标物和第二目标物之间的目标相互作用信息包括节点层面的目标相互作用信息和边层面的目标相互作用信息,预测处理模型包括第一预测处理模型和第二预测处理模型。第一预测处理模型用于根据节点层面的全局特征信息获取节点层面的目标相互作用信息,第二预测处理模型用于根据边层面的全局特征信息获取边层面的目标相互作用信息。
在上述情况下,调用预测处理模型对第一全局特征信息和第二全局特征信息进行预测处理,得到第一目标物和第二目标物之间的目标相互作用信息的过程为:调用第一预测处理模型对节点层面的第一全局特征信息和节点层面的第二全局特征信息进行预测处理,得到第一目标物和第二目标物之间的节点层面的目标相互作用信息;调用第二预测处理模型对边层面的第一全局特征信息和边层面的第二全局特征信息进行预测处理,得到第一目标物和第二目标物之间的边层面的目标相互作用信息。
在一种可能实现方式中,第一预测处理模型是指全连接神经网络,调用第一预测处理模型对节点层面的第一全局特征信息和节点层面的第二全局特征信息进行预测处理,得到第一目标物和第二目标物之间的节点层面的目标相互作用信息的过程基于公式11实现:
其中,Preda表示第一目标物和第二目标物之间的节点层面的目标相互作用信息;表示第一目标物对应的节点层面的第一全局特征信息,用于表征经过第一节点信息传递模型和自注意力读出函数的处理后得到的第一目标物对应的节点层面的全局的特征;表示第二目标物对应的节点层面的第二全局特征信息,用于表征经过第二节点信息传递模型和自注意力读出函数的处理后得到的第二目标物对应的节点层面的全局的特征;cat(·,·)表示拼接函数,将第一目标物对应的节点层面的第一全局特征信息和第二目标物对应的节点层面的第二全局特征信息拼接起来,即可结合第一目标物和第二目标物在节点层面的信息;FCNa表示第一预测处理模型的参数。
在一种可能实现方式中,第二预测处理模型是指全连接神经网络,调用第二预测处理模型对边层面的第一全局特征信息和边层面的第二全局特征信息进行预测处理,得到第一目标物和第二目标物之间的边层面的目标相互作用信息的过程基于公式12实现:
其中,Predb表示第一目标物和第二目标物之间的边层面的目标相互作用信息;表示第一目标物对应的边层面的第一全局特征信息,用于表征经过第一边信息传递模型和自注意力读出函数的处理后得到的第一目标物对应的边层面的全局的特征;表示第二目标物对应的边层面的第二全局特征信息,用于表征经过第二边信息传递模型和自注意力读出函数的处理后得到的第二目标物对应的边层面的全局的特征;cat(·,·)表示拼接函数,将第一目标物对应的边层面的第一全局特征信息和第二目标物对应的边层面的第二全局特征信息拼接起来,即可结合第一目标物和第二目标物在边层面的信息;FCNb表示第二预测处理模型的参数。
在示例性实施例中,第二预测处理模型的模型结构与第一预测处理模型的模型结构相同,均为全连接神经网络,但由于第二预测处理模型与第一预测处理模型处理的信息不同,所以第二预测处理模型的参数可能与第一预测处理模型的参数不同。
在得到节点层面的目标相互作用信息和边层面的目标相互作用信息后,得到第一目标物和第二目标物之间的目标相互作用信息。
需要说明的是,以上所述仅为获取第一目标物和第二目标物之间的目标相互作用信息的一种示例性描述,本申请实施例并不局限于此。在示例性实施例中,对于第一全局特征信息和第二全局特征信息均为一个整体的全局特征信息的情况,预测处理模型也为一个整体的处理模型,在此种情况下,直接调用预测处理模型对第一全局特征信息和第二全局特征信息进行预测处理,得到一个整体的目标相互作用信息。
在一种可能实现方式中,在获取第一目标物对应的第一注意力信息和第二目标物对应的第二注意力信息后,还包括:基于第一目标物对应的第一注意力信息,在第一目标物的全部子目标物中确定第一关键子目标物,第一关键子目标物用于指示第一目标物中用于与第二目标物进行相互作用的子目标物;基于第二目标物对应的第二注意力信息,在第二目标物的全部子目标物中确定第二关键子目标物,第二关键子目标物用于指示第二目标物中用于与第一目标物进行相互作用的子目标物。
在一种可能实现方式中,基于第一目标物对应的第一注意力信息,在第一目标物的全部子目标物中确定第一关键子目标物的方式为:基于第一目标物对应的第一注意力信息,确定第一目标物中的各个子目标物对应的注意力信息;将第一目标物包括的全部子目标物中对应的注意力信息满足选取条件的子目标物作为第一关键子目标物。第一关键子目标物用于指示第一目标物中用于与第二目标物进行相互作用的子目标物。
在一种可能实现方式中,以第一目标物对应的第一注意力信息为一个整体的注意力信息为例,第一目标物中的任一子目标物对应的注意力信息同样为一个整体的注意力信息。第一目标物中的任一子目标物对应的注意力信息中包括该任一子目标物在各个角度的注意力权重,基于此,第一目标物中的任一子目标物对应的注意信息满足选取条件是指该任一子目标物在各个角度的注意力权重中存在不少于目标比例的注意力权重满足阈值条件,满足阈值条件是指不小于权重阈值。目标比例和权重阈值根据经验设置,或者根据应用场景灵活调整,本申请实施例对此不加以限定。
示例性地,目标比例设置为80%,权重阈值设置为0.3,假设第一目标物中的任一子目标物对应的注意力信息中包括该任一子目标物在10角度的注意力权重,则当该任一子目标物在10角度的注意力权重中存在8个或8个以上的注意力权重不小于0.3,则说明该任一子目标物对应的注意信息满足选取条件。
在一种可能实现方式中,对于第一目标物对应的第一注意力信息包括节点层面的第一注意力信息和边层面的第一注意力信息的情况,第一目标物中的任一子目标物对应的注意力信息同样包括节点层面的注意力信息和边层面的注意力信息。第一目标物中的任一子目标物对应的节点层面的注意力信息和边层面的注意力信息中均包括该任一子目标物在各个角度的注意力权重,基于此,第一目标物中的任一子目标物对应的注意信息满足选取条件可以是指该任一子目标物对应的节点层面的注意力信息满足选取条件,也可以是指该任一子目标物对应的边层面的注意力信息满足选取条件,还可以是指该任一子目标物对应的节点层面的注意力信息和边层面的注意力信息均满足选取条件,本申请实施例对此不加以限定。
基于第二目标物对应的第二注意力信息,在第二目标物的全部子目标物中确定第二关键子目标物的实现方式参见上述基于第一目标物对应的第一注意力信息,在第一目标物的全部子目标物中确定第一关键子目标物的实现方式,此处不再赘述。
需要说明的是,在实际的预测过程中,目标物中的哪些子目标物与另外一个目标物进行相互作用是未知的。在目标物包括的全部子目标物中确定的关键子目标物用于指示目标物中的哪些子目标物与另外一个目标物进行相互作用。
由于在训练相互作用信息预测模型的过程中,利用了基于满足参考条件的样本物中的关键子样本物对应的注意力信息确定的关键局部层面的损失函数,所以利用目标相互作用信息预测模型得到的第一目标物的第一注意力信息和第二目标物的第二注意力信息的可靠性较高,基于某一目标物对应的注意力信息确定的关键子目标物能够较为准确的指示出该目标物中的哪些子目标物与另外一个目标物进行相互作用。
需要说明的是,在示例性实施例中,某一目标物对应的注意力信息可能指示该目标物的全部子目标物中不存在关键子目标物,此种情况下,说明该目标物不满足参考条件,此时,认为该目标物整体与另外一个目标物进行相互作用。
在示例性实施例中,第一目标物和第二目标物中的一个目标物的类型为蛋白质,另外一个目标物的类型为小分子。利用目标相互作用信息预测模型预测第一目标物和第二目标物之间的目标相互作用信息,能够应用于对小分子的筛选场景中。在此种情况下,目标相互作用信息预测模型可以视为药物筛选模型,药物是指与蛋白质进行相互作用的小分子,相互作用信息可以视为蛋白质-小分子活性信息。
示例性地,第一目标物和第二目标物之间的目标相互作用信息的获取过程如图5所示。将第一目标物501的图信息(图4中仅示出部分图信息)输入目标相互作用信息预测模型中的第一特征提取模型502,经过特征提取以及自注意读出函数的处理后,得到第一目标物对应的第一全局特征信息503;将第二目标物504的图信息(图4中仅示出部分图信息)输入目标相互作用信息预测模型中的第二特征提取模型505,经过特征提取以及自注意读出函数的处理后,得到第二目标物对应的第二全局特征信息506;调用目标相互作用信息预测模型中的预测处理模型对第一目标物对应的第一全局特征信息503和第二目标物对应的第二全局特征信息506进行整合处理,基于整合后的特征信息507,得到第一目标物和第二目标物之间的目标相互作用信息。
在本申请实施例中,利用全局层面的损失函数和关键局部层面的损失函数训练相互作用信息预测模型,进而利用训练好的目标相互作用信息预测模型确定第一目标物和第二目标物之间的相互作用信息。全局层面的损失函数能够使模型的训练过程关注到全局的信息;关键局部层面的损失函数能够使模型的训练过程关注到关键局部的信息。也就是说,在本申请实施例中,相互作用信息预测模型的训练过程既关注全局的信息,又关注关键局部的信息,相互作用信息预测模型的训练效果较好,利用训练好的相互作用信息预测模型确定第一目标物和第二目标物之间的相互作用信息的准确性较高。
基于上述图1所示的实施环境,本申请实施例提供一种训练得到目标相互作用信息预测模型的方法,以该方法应用于服务器12为例。如图6所示,本申请实施例提供的方法可以包括如下步骤:
在步骤601中,调用初始相互作用信息预测模型,获取第一样本物对应的注意力信息、第二样本物对应的注意力信息以及第一样本物和第二样本物之间的预测相互作用信息。
其中,预测相互作用信息基于第一样本物对应的全局特征信息和第二样本物对应的全局特征信息获取得到。
初始相互作用信息预测模型是指需要进行训练的用于预测相互作用信息的模型,本申请实施例对相互作用信息预测模型的获取方式不加以限定。示例性地,相互作用信息预测模型由开发人员设计并上传到服务器上,由此,服务器获取相互作用信息预测模型。目标相互作用信息预测模型的参数为待更新的参数,通过对目标相互作用信息预测模型的参数进行更新,来实现对相互作用预测模型的训练。
第一样本物和第二样本物是用于对初始相互作用信息预测模型进行训练的一组样本物。在示例性实施例中,在训练初始相互作用信息预测模型的过程中,可能会利用多组样本物,本申请实施例以利用一组样本物对初始相互作用信息预测模型进行训练为例进行说明。在一种可能实现中,第一样本物的类型与图2所示的实施例中的第一目标物的类型相同,第二样本物的类型与训图2所示的实施例中的第二目标物的类型相同,以保证目标相互作用信息预测模型预测的相互作用信息的准确性。
在一种可能实现方式中,调用初始相互作用信息预测模型,获取第一样本物对应的注意力信息、第二样本物对应的注意力信息以及第一样本物和第二样本物之间的预测相互作用信息的过程为:调用初始相互作用信息预测模型,基于第一样本物的基本信息,获取第一样本物对应的基础特征信息和第一样本物对应的注意力信息;基于第二样本物的基本信息,获取第二样本物对应的基础特征信息和第二样本物对应的注意力信息;基于第一样本物对应的基础特征信息和第一样本物对应的注意力信息,获取第一样本物对应的全局特征信息;基于第二样本物对应的基础特征信息和第二样本物对应的注意力信息,获取第二样本物对应的全局特征信息;基于第一样本物对应的全局特征信息和第二样本物对应的全局特征信息,获取第一样本物和第二样本物之间的预测相互作用信息。该过程的实现方式参见图2所示的实施例中的步骤2021至步骤2023,此处不再赘述。
在步骤602中,基于预测相互作用信息以及第一样本物和第二样本物之间的标准相互作用信息,获取全局层面的损失函数。
全局层面的损失函数是指通过关注全局的信息而得到的损失函数。第一样本物和第二样本物之间的标准相互作用信息用于指示第一样本物和第二参数物之间的真实的相互作用信息。示例性地,第一样本物和第二样本物之间的标准相互作用信息以标签的形式存在。
在一种可能实现方式中,对于预测相互作用信息包括节点层面的预测相互作用信息和边层面的预测相互作用信息的情况,基于预测相互作用信息以及第一样本物和第二样本物之间的标准相互作用信息,确定全局层面的损失函数的过程包括以下步骤6021至步骤6024:
步骤6021:基于节点层面的预测相互作用信息以及第一样本物和第二样本物之间的标准相互作用信息,确定第一子损失函数。
第一子损失函数用于衡量节点层面的预测相互作用信息和标准相互作用信息之间的差异,本申请实施例对第一子损失函数的形式不加以限定,示例性地,第一子损失函数的形式为均方误差。
在示例性实施例中,基于节点层面的预测相互作用信息以及第一样本物和第二样本物之间的标准相互作用信息,确定第一子损失函数的过程基于公式13实现:
步骤6022:基于边层面的预测相互作用信息以及第一样本物和第二样本物之间的标准相互作用信息,确定第二子损失函数。
第二子损失函数用于衡量边层面的预测相互作用信息和标准相互作用信息之间的差异,本申请实施例对第二子损失函数的形式不加以限定,示例性地,第二子损失函数的形式为均方误差。
在示例性实施例中,基于边层面的预测相互作用信息以及第一样本物和第二样本物之间的标准相互作用信息,确定第二子损失函数的过程基于公式14实现:
步骤6023:基于节点层面的预测相互作用信息和边层面的预测相互作用信息,确定第三子损失函数。
第三子损失函数用于衡量节点层面的预测相互作用信息和边层面的预测相互作用信息之间的差异,本申请实施例对第三子损失函数的形式不加以限定,示例性地,第三子损失函数的形式为均方误差。
在示例性实施例中,基于节点层面的预测相互作用信息和边层面的预测相互作用信息,确定第三子损失函数的过程基于公式15实现:
Ldis=MSE(Preda,Predb) (公式15)
其中,Ldis表示第三子损失函数;Preda表示节点层面的预测相互作用信息Predb表示边层面的预测相互作用信息;MSE(·,·)表示均方误差函数。该第三子损失函数的设计目的是:保证节点层面的预测相互作用信息和边层面的预测相互作用信息一致。
步骤6024:基于第一子损失函数、第二子损失函数和第三子损失函数,确定全局层面的损失函数。
在得到第一子损失函数、第二子损失函数和第三子损失函数后,基于第一子损失函数、第二子损失函数和第三子损失函数,确定全局层面的损失函数,以得到用于关注全局的信息的损失函数。
在示例性实施例中,基于第一子损失函数、第二子损失函数和第三子损失函数,确定全局层面的损失函数的方式为:将第一子损失函数、第二子损失函数和第三子损失函数进行加权求和,得到全局层面的损失函数。在加权求和的过程中,各个子损失函数对应的权值根据经验设置或者根据应用场景灵活调整,本申请实施例对此不加以限定。示例性地,各个子损失函数对应的权值可以均设置为1,则全局层面的损失函数为第一子损失函数、第二子损失函数和第三子损失函数的和。
根据上述内容可知,全局层面的损失函数是综合多个子损失函数后得到的,能够对相互作用信息预测模型的训练过程起到多监督的效果。
需要说明的是,以上步骤6021至步骤6024所述的仅为获取全局层面的损失函数的一种示例性描述,本申请实施例并不局限于此。在示例性实施例中,对于预测相互作用信息为一个整体的预测相互作用信息的情况,直接将基于预测相互作用信息和标准相互作用信息确定的损失函数作为全局层面的损失函数。
在步骤603中,在满足参考条件的样本物对应的注意力信息中,确定满足参考条件的样本物中的关键子样本物对应的注意力信息,满足参考条件的样本物为第一样本物和第二样本物中的至少一个。
其中,满足参考条件的样本物中的关键子样本物为全部子样本物中的部分子样本物。
满足参考条件的样本物为第一样本物和第二样本物中的至少一个,也就是说,第一样本物和第二样本物中的至少一个满足参考条件,也即,第一样本物满足参考条件,或者第二样本物满足参考条件,或者第一样本物和第二样本物均满足参考条件。满足参考条件的样本物中的关键子样本物为全部子样本物中的部分子样本物。在示例性实施例中,某一样本物中的关键子样本物是指在该样本物包括的全部子样本物中与另外一个样本物进行相互作用的子样本物。
对于某一样本物,该样本物包括的全部子样本物可能全部与另外一个样本物进行相互作用,也可能仅有部分子样本物与另外一个样本物进行相互作用。本申请实施例将包括的全部子样本物中仅有部分子样本物与另外一个样本物进行相互作用的样本物作为满足参考条件的样本物。示例性地,假设两个样本物中的一个样本物的类型为蛋白质,另外一个样本物的类型为小分子,蛋白质类型的样本物包括的全部子样本物为氨基酸1、氨基酸2和氨基酸3。若氨基酸1、氨基酸2和氨基酸3中仅有一个或两个氨基酸与小分子类型的样本物进行相互作用,则将该蛋白质类型的样本物作为满足参考条件的样本物;若氨基酸1、氨基酸2和氨基酸3全部与小分子类型的样本物进行相互作用,则将该蛋白质类型的样本物作为不满足参考条件的样本物。
在本申请实施例中,两个样本物中至少包括一个满足参考条件的样本物。在示例性实施例中,在第一样本物和第二样本物时,还能够获取用于指示满足参考条件的样本物包括哪些关键子样本物的信息,从而能够直接确定满足参考条件的样本物中的关键子样本物。用于指示该满足参考条件的样本物包括哪些关键子样本物的信息可视为满足参考条件的样本物对应的监督信息,该监督信息为获取关键局部层面的损失函数提供参考。
在第一样本物和第二样本物后,即可得知哪个或者哪些样本物为满足参考条件的样本物。在确定满足参考条件的样本物后,在满足参考条件的样本物对应的注意力信息中,确定满足参考条件的样本物中的关键子样本物对应的注意力信息。
某一样本物对应的注意力信息包括该样本物的图信息中的各个节点的注意力信息,任一节点的注意力信息包括该节点在一个或多个角度对应的注意力权重。由于某一样本物中的图信息中的每个节点均对应该样本物中的一个子样本物,所以能够直接将某一节点的注意力信息作为该任一节点对应的子样本物对应的注意力信息。也就是说,在已知满足参考条件的样本物中的关键子样本物后,能够直接在满足参考条件的样本物对应的注意力信息中,确定关键子样本物对应的注意力信息。需要说明的是,某一满足参考条件的样本物中的关键子样本物的数量可能为一个或多个,确定关键子样本物对应的注意力信息是指确定各个关键子样本物分别对应的注意力信息。任一关键子样本物对应的注意力信息包括该关键子样本物在一个或多个角度对应的注意力权重。
在步骤604中,基于满足参考条件的样本物中的关键子样本物对应的注意力信息,获取关键局部层面的损失函数。
在确定满足参考条件的样本物中的关键子样本物对应的注意力信息后,基于满足参考条件的样本物中的关键子样本物对应的注意力信息,获取关键局部层面的损失函数。由于关键子参考为满足参考条件的样本物包括的全部子样本物中的部分子样本物,所以基于关键子样本物对应的注意力信息获取的关键局部层面的损失函数能够用于使相互作用信息预测模型的训练过程关注到关键局部的信息。
在一种可能实现方式中,满足参考条件的样本物包括以下三种情况,在不同的情况下,步骤604的实现方式不同。
情况1:满足参考条件的样本物为第一样本物。
在此种情况1下,步骤604的实现方式为:在第一样本物对应的注意力信息中,确定第一样本物中的关键子样本物对应的注意力信息;基于第一样本物中的关键子样本物对应的注意力信息,确定关键局部层面的损失函数。
第一样本物对应的注意力信息包括第一样本物的图信息中的各个节点的注意力信息,示例性地,在第一样本物对应的注意力信息中,确定第一样本物中的关键子样本物对应的注意力信息的方式为:在第一样本物对应的注意力信息中,确定第一样本物中的关键子样本物对应的节点的注意力信息,将第一样本物中的关键子样本物对应的节点的注意力信息作为第一样本物中的关键子样本物对应的注意力信息。
第一样本物中的关键子样本物的数量为一个或多个,任一关键子样本物对应的注意力信息中包括该关键子样本物在一个或多个角度对应的注意力权重。需要说明的是,第一样本物中的不同的关键子样本物对应的注意力信息中包括的注意力权重对应的角度相同。在示例性实施例中,由于第一样本物的图信息中的各个节点在同一角度对应的注意力权重的和为1,所以第一样本物中的各个子样本物在同一角度对应的注意力权重的和也为1。
在示例性实施例中,基于第一样本物中的关键子样本物对应的注意力信息,确定关键局部层面的损失函数的过程基于公式16实现:
其中,Lpocket表示在此种情况1下确定的关键局部层面的损失函数;r表示第一样本物中的任一关键子样本物对应的注意力信息中包括的该关键子样本物对应的注意力权重的角度数量,r为不小于1的整数;表示第一样本物中的各个关键子样本物在第i个角度对应的注意力权重的和。
情况2:满足参考条件的样本物为第二样本物。
在此种情况2下,步骤604的实现方式为:在第二样本物对应的注意力信息中,确定第二样本物中的关键子样本物对应的注意力信息;基于第二样本物中的关键子样本物对应的注意力信息,确定关键局部层面的损失函数。
第二样本物对应的注意力信息包括第二样本物的图信息中的各个节点的注意力信息,示例性地,在第二样本物对应的注意力信息中,确定第二样本物中的关键子样本物对应的注意力信息的方式为:在第二样本物对应的注意力信息中,确定第二样本物中的关键子样本物对应的节点的注意力信息,将第二样本物中的关键子样本物对应的节点的注意力信息作为第二样本物中的关键子样本物对应的注意力信息。
第二样本物中的关键子样本物的数量为一个或多个,任一关键子样本物对应的注意力信息中包括该关键子样本物在一个或多个角度对应的注意力权重。需要说明的是,第二样本物中的不同的关键子样本物对应的注意力信息中包括的注意力权重对应的角度相同。在示例性实施例中,由于第二样本物的图信息中的各个节点在同一角度对应的注意力权重的和为1,所以第二样本物中的各个子样本物在同一角度对应的注意力权重的和也为1。
在示例性实施例中,基于第二样本物中的关键子样本物对应的注意力信息,确定关键局部层面的损失函数的过程同样基于上述公式16实现,在基于公式16实现基于第二样本物中的关键子样本物对应的注意力信息,确定关键局部层面的损失函数的过程中,Lpocket表示在此种情况2下确定的关键局部层面的损失函数;r表示第二样本物中的任一关键子样本物对应的注意力信息中包括的该关键子样本物对应的注意力权重的角度数量,r为不小于1的整数;表示第二样本物中的各个关键子样本物在第i个角度对应的注意力权重的和。
情况3:满足参考条件的样本物为第一样本物和第二样本物。
在此种情况3下,步骤604的实现方式为:在第一样本物对应的注意力信息中,确定第一样本物中的第一关键子样本物对应的注意力信息;在第二样本物对应的注意力信息中,确定第二样本物中的第二关键子样本物对应的注意力信息;基于第一关键子样本物对应的注意力信息,确定第四子损失函数;基于第二关键子样本物对应的注意力信息,确定第五子损失函数;基于第四子损失函数和第五子损失函数,确定关键局部层面的损失函数。
示例性地,基于第一关键子样本物对应的注意力信息,确定第四子损失函数的过程基于公式16实现,在基于公式16实现基于第一关键子样本物对应的注意力信息,确定第四子损失函数的过程中,Lpocket表示第四子损失函数;r表示任一第一关键子样本物对应的注意力信息中包括的该第一关键子样本物对应的注意力权重的角度数量,r为不小于1的整数;表示各个第一关键子样本物在第i个角度对应的注意力权重的和。
示例性地,基于第二关键子样本物对应的注意力信息,确定第五子损失函数的过程基于公式16实现,在基于公式16实现基于第二关键子样本物对应的注意力信息,确定第五子损失函数的过程中,Lpocket表示第五子损失函数;r表示任一第二关键子样本物对应的注意力信息中包括的该第二关键子样本物对应的注意力权重的角度数量,r为不小于1的整数;表示各个第二关键子样本物在第i个角度对应的注意力权重的和。
在确定第四子损失函数和第五子损失函数后,基于第四子损失函数和第五子损失函数,确定关键局部层面的损失函数。在示例性实施例中,基于第四子损失函数和第五子损失函数,确定关键局部层面的损失函数的方式为:将第四子损失函数和第五子损失函数进行加权求和,得到关键局部层面的损失函数。在加权求和的过程中,第四子损失函数和第五子损失函数对应的权值根据经验设置或者根据应用场景灵活调整,本申请实施例对此不加以限定。示例性地,各个子损失函数对应的权值可以均设置为1,则关键局部层面的损失函数为第四子损失函数和第五子损失函数的和。
需要说明的是,上述内容以样本物对应的注意力信息为一个整体的注意力信息为例,介绍了步骤604的实现方式。本申请实施例并不局限于此。在示例性实施例中,对于样本物对应的注意力信息包括节点层面的注意力信息和边层面的注意力信息的情况,关键子样本物对应的注意力信息包括节点层面的注意力信息和边层面的注意力信息。在此种情况下,基于关键子样本物对应的注意力信息,获取关键局部层面的损失函数的过程可以是指:基于关键子样本物对应的节点层面的注意力信息,获取关键局部层面的损失函数;也可以是指:基于关键子样本物对应的边层面的注意力信息,获取关键局部层面的损失函数;还可以是指:基于关键子样本物对应的节点层面的注意力信息和边层面的注意力信息,获取关键局部层面的损失函数。本申请实施例对此不加以限定。
在示例性实施例中,基于关键子样本物对应的节点层面的注意力信息,获取关键局部层面的损失函数的过程以及基于关键子样本物对应的边层面的注意力信息,获取关键局部层面的损失函数的过程均可以参见注意力信息为一个整体的注意力信息的情况下获取关键局部层面的损失函数的过程。
在示例性实施例中,基于关键子样本物对应的节点层面的注意力信息和边层面的注意力信息,获取关键局部层面的损失函数的方式为:基于关键子样本物对应的节点层面的注意力信息,确定节点层面的损失函数;基于关键子样本物对应的边层面的注意力信息,确定边层面的损失函数;基于节点层面的损失函数和边层面的损失函数,确定关键局部层面的损失函数。
无论哪种情况,均能够得到关键局部层面的损失函数。关键局部层面的损失函数的设计目的为:使满足参考条件的样本物中的关键子样本物在该每个角度对应的注意力权重的和均尽量接近1,以使相互作用信息预测模型在训练过程中更多的学习到关于满足参考条件的样本物中的关键子样本物的信息。由于关键子样本物为进行相互作用的子样本物,所以关键局部层面的损失函数能够使相互作用信息预测模型在训练过程中学习到更多的关于进行相互作用的子样本物的信息。
此外,由于关键子样本物为满足参考条件的样本物包括的全部子样本物中的部分子样本物,所以关键局部层面的损失函数为关注局部的信息的损失函数。关键局部层面的损失函数的设计能够利用关键子样本物在自注意力读出函数读出的注意力权重为相互作用信息预测模型的训练过程增加用于关注局部的信息的监督信号。
在示例性实施例中,当第一样本物的类型为蛋白质、第二样本物的类型为小分子时,由于通常情况下是整个小分子与蛋白质中的部分氨基酸进行相互作用,所以满足参考条件的样本物为第一样本物。第一样本物中的关键子样本物是指蛋白质中用于与小分子结合的氨基酸,该部分氨基酸可称为口袋氨基酸,口袋氨基酸的信息能够反映出蛋白质口袋信息。
在步骤605中,基于全局层面的损失函数和关键局部层面的损失函数,反向更新初始相互作用信息预测模型的参数。
在基于步骤602获取全局层面的损失函数以及基于步骤604获取关键局部层面的损失函数后,基于全局层面的损失函数和关键局部层面的损失函数,反向更新初始相互作用信息预测模型的参数。每更新一次相互作用信息预测模型的参数,完成对相互作用信息预测模型的一次训练。
在一种可能实现方式中,基于全局层面的损失函数和关键局部层面的损失函数,反向更新初始相互作用信息预测模型的参数的过程为:基于全局层面的损失函数和关键局部层面的损失函数,确定综合损失函数,利用综合损失函数反向更新初始相互作用信息预测模型的参数。在一种可能实现方式中,基于全局层面的损失函数和关键局部层面的损失函数,确定综合损失函数的方式为:将全局层面的损失函数和关键局部层面的损失函数进行加权求和,得到综合损失函数。在加权求和的过程中,全局层面的损失函数和关键局部层面的损失函数对应的权值根据经验设置或者根据应用场景灵活调整,本申请实施例对此不加以限定。示例性地,全局层面的损失函数和关键局部层面的损失函数对应的权值可以均设置为1,则综合损失函数为全局层面的损失函数和关键局部层面的损失函数的和。
本申请实施例对利用综合损失函数反向更新初始相互作用信息预测模型的参数的方式不加以限定。示例性地,利用综合损失函数反向更新初始相互作用信息预测模型的参数的方式为梯度下降法。
在一种可能实现方式中,基于全局层面的损失函数和关键局部层面的损失函数,反向更新初始相互作用信息预测模型的参数的过程可以在利用一组样本物得到一个全局层面的损失函数和一个关键局部层面的损失函数后立即执行,也可以在利用小批量组的样本物得到小批量的全局层面的损失函数和小批量的关键局部层面的损失函数后再执行,本申请实施例对此不加以限定。小批量的数目根据经验设置,或者根据应用场景灵活调整,本申请实施例对此不加以限定。
在一种可能实现方式中,在基于全局层面的损失函数和关键局部层面的损失函数,反向初始更新相互作用信息预测模型的参数后,判断参数更新过程是否满足终止条件。当参数更新过程满足终止条件时,执行步骤606;当参数更新过程不满足终止条件时,继续执行步骤601至步骤605,直至参数更新过程满足终止条件,执行步骤606。
在示例性实施例中,参数更新过程满足终止条件包括但不限于以下3种情况:
情况A、参数更新次数达到次数阈值。
次数阈值可以根据经验设置,也可以根据应用场景灵活调整,本申请实施例对此不加以限定。
情况B、综合损失函数小于损失阈值。
损失阈值可以根据经验设置,也可以根据应用场景灵活调整,本申请实施例对此不加以限定。
情况C、综合损失函数收敛。
综合损失函数收敛是指随着参数更新次数的增加,在参考次数的更新结果中,综合损失函数的波动范围在参考范围内。例如,假设参考范围为-10-3~10-3,假设参考次数为10次。若综合损失函数在10次的参数更新结果中波动范围均在-10-3~10-3内,则认为综合损失函数收敛。
当满足上述3种情况中的任一种情况时,说明参数更新过程满足终止条件,执行步骤606。
在步骤606中,响应于参数更新过程满足终止条件,得到目标相互作用信息预测模型。
当参数更新过程满足终止条件时,将参考更新过程满足终止条件时得到的相互作用信息预测模型作为训练好的目标相互作用信息预测模型,由此,得到目标相互作用信息预测模型。
在一种可能实现方式中,在得到训练好的目标相互作用信息预测模型后,利用目标相互作用信息预测模型预测两个目标物之间的相互作用信息。由于目标相互作用信息预测模型是全局层面的损失函数和关键局部层面的损失函数进行训练得到的,所以利用目标相互作用信息预测模型预测的两个目标物之间的相互作用信息的准确性较高。
在本申请实施例中,除了设计了全局层面的损失函数外,还设计了关键局部层面的损失函数。在药物筛选领域,关键局部层面的损失函数能够为蛋白质中的口袋氨基酸的信息的学习提供监督。本申请实施例能够在关注蛋白质的全局的信息的同时重点关注口袋氨基酸处的信息交融,能够加强蛋白质的全局和局部的信息的融合学习,从而能够提高训练好的药物筛选模型预测的蛋白质-小分子活性信息的准确性。
本申请实施例在对初始相互作用信息预测模型进行训练的过程中,基于全局层面的损失函数和关键局部层面的损失函数反向更新初始相互作用信息预测模型的参数。其中,全局层面的损失函数能够使模型参数的更新关注到全局的信息;关键局部层面的损失函数是能够使模型参数的更新关注到局部的信息。也就是说,在本申请实施例中,模型的训练过程既关注全局的信息,又关注局部的信息,有利于提高相互作用信息预测模型的训练效果,进而提高利用训练好的目标相互作用信息预测模型预测得到的相互作用信息的准确性。
参见图7,本申请实施例提供了一种相互作用信息的确定装置,该装置包括:
获取单元701,用于获取第一目标物的基本信息、第二目标物的基本信息和目标相互作用信息预测模型,目标相互作用信息预测模型利用全局层面的损失函数和关键局部层面的损失函数训练得到,关键局部层面的损失函数基于满足参考条件的样本物中的关键子样本物对应的注意力信息确定,满足参考条件的样本物中的关键子样本物为全部子样本物中的部分子样本物;
处理单元702,用于调用目标相互作用信息预测模型对第一目标物的基本信息和第二目标物的基本信息进行处理,得到第一目标物和第二目标物之间的目标相互作用信息。
在一种可能实现方式中,参见图8,处理单元702,包括:
第一获取子单元7021,用于调用目标相互作用信息预测模型,基于第一目标物的基本信息,获取第一目标物对应的第一基础特征信息和第一目标物对应的第一注意力信息;基于第二目标物的基本信息,获取第二目标物对应的第二基础特征信息和第二目标物对应的第二注意力信息;
第二获取子单元7022,用于基于第一基础特征信息和第一注意力信息,获取第一目标物对应的第一全局特征信息;基于第二基础特征信息和第二注意力信息,获取第二目标物对应的第二全局特征信息;
第三获取子单元7023,用于基于第一全局特征信息和第二全局特征信息,获取第一目标物和第二目标物之间的目标相互作用信息。
在一种可能实现方式中,第一全局特征信息包括节点层面的第一全局特征信息和边层面的第一全局特征信息,第二全局特征信息包括节点层面的第二全局特征信息和边层面的第二全局特征信息,目标相互作用信息包括节点层面的目标相互作用信息和边层面的目标相互作用信息,目标相互作用信息预测模型包括第一预测处理模型和第二预测处理模型;第三获取子单元7023,用于调用第一预测处理模型对节点层面的第一全局特征信息和节点层面的第二全局特征信息进行预测处理,得到第一目标物和第二目标物之间的节点层面的目标相互作用信息;调用第二预测处理模型对边层面的第一全局特征信息和边层面的第二全局特征信息进行预测处理,得到第一目标物和第二目标物之间的边层面的目标相互作用信息。
在一种可能实现方式中,第一目标物的基本信息为第一目标物的图信息,第二目标物的基本信息为第二目标物的图信息;目标相互作用信息预测模型包括第一节点信息传递模型、第一边信息传递模型、第二节点信息传递模型和第二边信息传递模型;第一基础特征信息包括节点层面的第一基础特征信息和边层面的第一基础特征信息,第二基础特征信息包括节点层面的第二基础特征信息和边层面的第二基础特征信息;第一获取子单元7021,还用于调用第一节点信息传递模型对第一目标物的图信息进行节点层面的特征提取,得到节点层面的第一基础特征信息;调用第一边信息传递模型对第一目标物的图信息进行边层面的特征提取,得到边层面的第一基础特征信息;调用第二节点信息传递模型对第二目标物的图信息进行节点层面的特征提取,得到节点层面的第二基础特征信息;调用第二边信息传递模型对第二目标物的图信息进行边层面的特征提取,得到边层面的第二基础特征信息。
在一种可能实现方式中,第一节点信息传递模型包括第一节点特征更新层和第一节点层面特征输出层;第一边信息传递模型包括第一边特征更新层和第一边层面特征输出层;第一获取子单元7021,还用于调用第一节点特征更新层对第一目标物的图信息中的节点的特征进行更新处理,得到目标节点特征;调用第一节点层面特征输出层对目标节点特征进行输出处理,得到节点层面的第一基础特征信息;调用第一边特征更新层对第一目标物的图信息中的边的特征进行更新处理,得到目标边特征;调用第一边层面特征输出层对目标边特征进行输出处理,得到边层面的第一基础特征信息。
在一种可能实现方式中,参见图9,该装置还包括:
确定单元703,用于基于第一目标物对应的第一注意力信息,在第一目标物的全部子目标物中确定第一关键子目标物,第一关键子目标物用于指示第一目标物中用于与第二目标物进行相互作用的子目标物;基于第二目标物对应的第二注意力信息,在第二目标物的全部子目标物中确定第二关键子目标物,第二关键子目标物用于指示第二目标物中用于与第一目标物进行相互作用的子目标物。
在一种可能实现方式中,处理单元702,还用于调用初始相互作用信息预测模型,获取第一样本物对应的注意力信息、第二样本物对应的注意力信息以及第一样本物和第二样本物之间的预测相互作用信息,预测相互作用信息基于第一样本物对应的全局特征信息和第二样本物对应的全局特征信息获取得到;
获取单元701,还用于基于预测相互作用信息以及第一样本物和第二样本物之间的标准相互作用信息,获取全局层面的损失函数;
确定单元703,还用于在满足参考条件的样本物对应的注意力信息中,确定满足参考条件的样本物中的关键子样本物对应的注意力信息,满足参考条件的样本物为第一样本物和第二样本物中的至少一个;
获取单元701,还用于基于满足参考条件的样本物中的关键子样本物对应的注意力信息,获取关键局部层面的损失函数;
参见图9,该装置还包括:
更新单元704,用于基于全局层面的损失函数和关键局部层面的损失函数,反向更新初始相互作用信息预测模型的参数;
获取单元701,还用于响应于参数更新过程满足终止条件,得到目标相互作用信息预测模型。
在一种可能实现方式中,预测相互作用信息包括节点层面的预测相互作用信息和边层面的预测相互作用信息;获取单元701,还用于基于节点层面的预测相互作用信息以及第一样本物和第二样本物之间的标准相互作用信息,确定第一子损失函数;基于边层面的预测相互作用信息以及第一样本物和第二样本物之间的标准相互作用信息,确定第二子损失函数;基于节点层面的预测相互作用信息和边层面的预测相互作用信息,确定第三子损失函数;基于第一子损失函数、第二子损失函数和第三子损失函数,确定全局层面的损失函数。
在一种可能实现方式中,满足参考条件的样本物为第一样本物和第二样本物;确定单元703,还用于在第一样本物对应的注意力信息中,确定第一样本物中的第一关键子样本物对应的注意力信息;在第二样本物对应的注意力信息中,确定第二样本物中的第二关键子样本物对应的注意力信息;
获取单元701,还用于基于第一关键子样本物对应的注意力信息,确定第四子损失函数;基于第二关键子样本物对应的注意力信息,确定第五子损失函数;基于第四子损失函数和第五子损失函数,确定关键局部层面的损失函数。
在一种可能实现方式中,第一目标物的类型为蛋白质,第二目标物的类型为小分子;获取单元701,还用于基于第一目标物的结构信息,确定第一目标物中的氨基酸之间的空间距离;基于氨基酸之间的空间距离,确定第一目标物对应的邻接矩阵,邻接矩阵用于指示第一目标物中的氨基酸之间的关联关系;根据第一目标物对应的邻接矩阵和第一目标物中的氨基酸,获取第一目标物的图信息,将第一目标物的图信息作为第一目标物的基本信息;基于第二目标物中的原子以及原子之间的化学键信息,获取第二目标物的图信息,将第二目标物的图信息作为第二目标物的基本信息。
在本申请实施例中,利用全局层面的损失函数和关键局部层面的损失函数训练相互作用信息预测模型,进而利用训练好的目标相互作用信息预测模型确定第一目标物和第二目标物之间的相互作用信息。全局层面的损失函数能够使模型的训练过程关注到全局的信息;关键局部层面的损失函数能够使模型的训练过程关注到关键局部的信息。也就是说,在本申请实施例中,相互作用信息预测模型的训练过程既关注全局的信息,又关注关键局部的信息,相互作用信息预测模型的训练效果较好,利用训练好的相互作用信息预测模型确定第一目标物和第二目标物之间的相互作用信息的准确性较高。
需要说明的是,上述实施例提供的装置在实现其功能时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的装置与方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图10是本申请实施例提供的一种相互作用信息的确定设备的结构示意图,该设备可以是指服务器,该服务器可因配置或性能不同而产生比较大的差异,可以包括一个或多个处理器(Central Processing Units,CPU)1001和一个或多个存储器1002,其中,该一个或多个存储器1002中存储有至少一条程序代码,该至少一条程序代码由该一个或多个处理器1001加载并执行,以实现上述各个方法实施例提供的相互作用信息的确定方法。当然,该服务器还可以具有有线或无线网络接口、键盘以及输入输出接口等部件,以便进行输入输出,该服务器还可以包括其他用于实现设备功能的部件,在此不做赘述。
在示例性实施例中,还提供了一种计算机设备,该计算机设备包括处理器和存储器,该存储器中存储有至少一条程序代码。该至少一条程序代码由一个或者一个以上处理器加载并执行,以实现上述任一种相互作用信息的确定方法。
在示例性实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有至少一条程序代码,该至少一条程序代码由计算机设备的处理器加载并执行,以实现上述任一种相互作用信息的确定方法。
在一种可能实现方式中,上述计算机可读存储介质可以是只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、只读光盘(Compact DiscRead-Only Memory,CD-ROM)、磁带、软盘和光数据存储设备等。
在示例性实施例中,还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述任一种相互作用信息的确定方法。
需要说明的是,本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以上示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
应当理解的是,在本文中提及的“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
以上仅为本申请的示例性实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (13)
1.一种相互作用信息的确定方法,其特征在于,所述方法包括:
获取第一目标物的基本信息、第二目标物的基本信息和目标相互作用信息预测模型,所述目标相互作用信息预测模型利用全局层面的损失函数和关键局部层面的损失函数训练得到,所述关键局部层面的损失函数基于满足参考条件的样本物中的关键子样本物对应的注意力信息确定,所述满足参考条件的样本物中的关键子样本物为全部子样本物中的部分子样本物;
调用所述目标相互作用信息预测模型对所述第一目标物的基本信息和所述第二目标物的基本信息进行处理,得到所述第一目标物和所述第二目标物之间的目标相互作用信息。
2.根据权利要求1所述的方法,其特征在于,所述调用所述目标相互作用信息预测模型对所述第一目标物的基本信息和所述第二目标物的基本信息进行处理,得到所述第一目标物和所述第二目标物之间的目标相互作用信息,包括:
调用所述目标相互作用信息预测模型,基于所述第一目标物的基本信息,获取所述第一目标物对应的第一基础特征信息和所述第一目标物对应的第一注意力信息;基于所述第二目标物的基本信息,获取所述第二目标物对应的第二基础特征信息和所述第二目标物对应的第二注意力信息;
基于所述第一基础特征信息和所述第一注意力信息,获取所述第一目标物对应的第一全局特征信息;基于所述第二基础特征信息和所述第二注意力信息,获取所述第二目标物对应的第二全局特征信息;
基于所述第一全局特征信息和所述第二全局特征信息,获取所述第一目标物和所述第二目标物之间的目标相互作用信息。
3.根据权利要求2所述的方法,其特征在于,所述第一全局特征信息包括节点层面的第一全局特征信息和边层面的第一全局特征信息,所述第二全局特征信息包括节点层面的第二全局特征信息和边层面的第二全局特征信息,所述目标相互作用信息包括节点层面的目标相互作用信息和边层面的目标相互作用信息,所述目标相互作用信息预测模型包括第一预测处理模型和第二预测处理模型;
所述基于所述第一全局特征信息和所述第二全局特征信息,获取所述第一目标物和所述第二目标物之间的目标相互作用信息,包括:
调用所述第一预测处理模型对所述节点层面的第一全局特征信息和所述节点层面的第二全局特征信息进行预测处理,得到所述第一目标物和所述第二目标物之间的节点层面的目标相互作用信息;
调用所述第二预测处理模型对所述边层面的第一全局特征信息和所述边层面的第二全局特征信息进行预测处理,得到所述第一目标物和所述第二目标物之间的边层面的目标相互作用信息。
4.根据权利要求2所述的方法,其特征在于,所述第一目标物的基本信息为所述第一目标物的图信息,所述第二目标物的基本信息为所述第二目标物的图信息;所述目标相互作用信息预测模型包括第一节点信息传递模型、第一边信息传递模型、第二节点信息传递模型和第二边信息传递模型;所述第一基础特征信息包括节点层面的第一基础特征信息和边层面的第一基础特征信息,所述第二基础特征信息包括节点层面的第二基础特征信息和边层面的第二基础特征信息;
所述调用所述目标相互作用信息预测模型,基于所述第一目标物的基本信息,获取所述第一目标物对应的第一基础特征信息,包括:
调用所述第一节点信息传递模型对所述第一目标物的图信息进行节点层面的特征提取,得到所述节点层面的第一基础特征信息;
调用所述第一边信息传递模型对所述第一目标物的图信息进行边层面的特征提取,得到所述边层面的第一基础特征信息;
所述基于所述第二目标物的基本信息,获取所述第二目标物对应的第二基础特征信息,包括:
调用所述第二节点信息传递模型对所述第二目标物的图信息进行节点层面的特征提取,得到所述节点层面的第二基础特征信息;
调用所述第二边信息传递模型对所述第二目标物的图信息进行边层面的特征提取,得到所述边层面的第二基础特征信息。
5.根据权利要求4所述的方法,其特征在于,所述第一节点信息传递模型包括第一节点特征更新层和第一节点层面特征输出层;所述第一边信息传递模型包括第一边特征更新层和第一边层面特征输出层;
所述调用所述第一节点信息传递模型对所述第一目标物的图信息进行节点层面的特征提取,得到所述节点层面的第一基础特征信息,包括:
调用所述第一节点特征更新层对所述第一目标物的图信息中的节点的特征进行更新处理,得到目标节点特征;
调用所述第一节点层面特征输出层对所述目标节点特征进行输出处理,得到所述节点层面的第一基础特征信息;
所述调用所述第一边信息传递模型对所述第一目标物的图信息进行边层面的特征提取,得到所述边层面的第一基础特征信息,包括:
调用所述第一边特征更新层对所述第一目标物的图信息中的边的特征进行更新处理,得到目标边特征;
调用所述第一边层面特征输出层对所述目标边特征进行输出处理,得到所述边层面的第一基础特征信息。
6.根据权利要求2所述的方法,其特征在于,所述基于所述第一目标物的基本信息,获取所述第一目标物对应的第一基础特征信息和所述第一目标物对应的第一注意力信息;基于所述第二目标物的基本信息,获取所述第二目标物对应的第二基础特征信息和所述第二目标物对应的第二注意力信息之后,所述方法还包括:
基于所述第一目标物对应的第一注意力信息,在所述第一目标物的全部子目标物中确定第一关键子目标物,所述第一关键子目标物用于指示所述第一目标物中用于与所述第二目标物进行相互作用的子目标物;
基于所述第二目标物对应的第二注意力信息,在所述第二目标物的全部子目标物中确定第二关键子目标物,所述第二关键子目标物用于指示所述第二目标物中用于与所述第一目标物进行相互作用的子目标物。
7.根据权利要求1-6任一所述的方法,其特征在于,所述获取第一目标物的基本信息、第二目标物的基本信息和目标相互作用信息预测模型之前,所述方法还包括:
调用初始相互作用信息预测模型,获取第一样本物对应的注意力信息、第二样本物对应的注意力信息以及所述第一样本物和所述第二样本物之间的预测相互作用信息,所述预测相互作用信息基于所述第一样本物对应的全局特征信息和所述第二样本物对应的全局特征信息获取得到;
基于所述预测相互作用信息以及所述第一样本物和所述第二样本物之间的标准相互作用信息,获取全局层面的损失函数;
在满足参考条件的样本物对应的注意力信息中,确定满足参考条件的样本物中的关键子样本物对应的注意力信息,所述满足参考条件的样本物为所述第一样本物和所述第二样本物中的至少一个;
基于所述满足参考条件的样本物中的关键子样本物对应的注意力信息,获取关键局部层面的损失函数;
基于所述全局层面的损失函数和所述关键局部层面的损失函数,反向更新所述初始相互作用信息预测模型的参数;
响应于参数更新过程满足终止条件,得到目标相互作用信息预测模型。
8.根据权利要求7所述的方法,其特征在于,所述预测相互作用信息包括节点层面的预测相互作用信息和边层面的预测相互作用信息;所述基于所述预测相互作用信息以及所述第一样本物和所述第二样本物之间的标准相互作用信息,获取全局层面的损失函数,包括:
基于所述节点层面的预测相互作用信息以及所述第一样本物和所述第二样本物之间的标准相互作用信息,确定第一子损失函数;
基于所述边层面的预测相互作用信息以及所述第一样本物和所述第二样本物之间的标准相互作用信息,确定第二子损失函数;
基于所述节点层面的预测相互作用信息和所述边层面的预测相互作用信息,确定第三子损失函数;
基于所述第一子损失函数、所述第二子损失函数和所述第三子损失函数,确定所述全局层面的损失函数。
9.根据权利要求7或8所述的方法,其特征在于,所述满足参考条件的样本物为所述第一样本物和所述第二样本物;
所述在满足参考条件的样本物对应的注意力信息中,确定满足参考条件的样本物中的关键子样本物对应的注意力信息,包括:
在所述第一样本物对应的注意力信息中,确定所述第一样本物中的第一关键子样本物对应的注意力信息;
在所述第二样本物对应的注意力信息中,确定所述第二样本物中的第二关键子样本物对应的注意力信息;
所述基于所述满足参考条件的样本物中的关键子样本物对应的注意力信息,获取关键局部层面的损失函数,包括:
基于所述第一关键子样本物对应的注意力信息,确定第四子损失函数;
基于所述第二关键子样本物对应的注意力信息,确定第五子损失函数;
基于所述第四子损失函数和所述第五子损失函数,确定所述关键局部层面的损失函数。
10.根据权利要求1-6任一所述的方法,其特征在于,所述第一目标物的类型为蛋白质,所述第二目标物的类型为小分子;所述获取第一目标物的基本信息、第二目标物的基本信息,包括:
基于所述第一目标物的结构信息,确定所述第一目标物中的氨基酸之间的空间距离;
基于所述氨基酸之间的空间距离,确定所述第一目标物对应的邻接矩阵,所述邻接矩阵用于指示所述第一目标物中的氨基酸之间的关联关系;
根据所述第一目标物对应的邻接矩阵和所述第一目标物中的氨基酸,获取所述第一目标物的图信息,将所述第一目标物的图信息作为所述第一目标物的基本信息;
基于所述第二目标物中的原子以及原子之间的化学键信息,获取所述第二目标物的图信息,将所述第二目标物的图信息作为所述第二目标物的基本信息。
11.一种相互作用信息的确定装置,其特征在于,所述装置包括:
获取单元,用于获取第一目标物的基本信息、第二目标物的基本信息和目标相互作用信息预测模型,所述目标相互作用信息预测模型利用全局层面的损失函数和关键局部层面的损失函数训练得到,所述关键局部层面的损失函数基于满足参考条件的样本物中的关键子样本物对应的注意力信息确定,所述满足参考条件的样本物中的关键子样本物为全部子样本物中的部分子样本物;
处理单元,用于调用所述目标相互作用信息预测模型对所述第一目标物的基本信息和所述第二目标物的基本信息进行处理,得到所述第一目标物和所述第二目标物之间的目标相互作用信息。
12.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条程序代码,所述至少一条程序代码由所述处理器加载并执行,以实现如权利要求1至10任一所述的相互作用信息的确定方法。
13.一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中存储有至少一条程序代码,所述至少一条程序代码由处理器加载并执行,以实现如权利要求1至10任一所述的相互作用信息的确定方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011112368.9A CN112151128A (zh) | 2020-10-16 | 2020-10-16 | 相互作用信息的确定方法、装置、设备及存储介质 |
PCT/CN2021/119651 WO2022078170A1 (zh) | 2020-10-16 | 2021-09-22 | 相互作用信息的确定、预测模型的训练方法、设备及介质 |
EP21879216.6A EP4170662A4 (en) | 2020-10-16 | 2021-09-22 | METHODS FOR DETERMINING INTERACTION INFORMATION AND PREDICTION MODEL TRAINING, APPARATUS AND MEDIUM |
US18/075,825 US20230103635A1 (en) | 2020-10-16 | 2022-12-06 | Interaction information determining method, interaction information prediction model training method, device, and medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011112368.9A CN112151128A (zh) | 2020-10-16 | 2020-10-16 | 相互作用信息的确定方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112151128A true CN112151128A (zh) | 2020-12-29 |
Family
ID=73952107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011112368.9A Pending CN112151128A (zh) | 2020-10-16 | 2020-10-16 | 相互作用信息的确定方法、装置、设备及存储介质 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230103635A1 (zh) |
EP (1) | EP4170662A4 (zh) |
CN (1) | CN112151128A (zh) |
WO (1) | WO2022078170A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112989134A (zh) * | 2021-03-29 | 2021-06-18 | 腾讯科技(深圳)有限公司 | 节点关系图的处理方法、装置、设备及存储介质 |
WO2022017405A1 (zh) * | 2020-07-21 | 2022-01-27 | 腾讯科技(深圳)有限公司 | 一种药物筛选方法、装置及电子设备 |
WO2022078170A1 (zh) * | 2020-10-16 | 2022-04-21 | 腾讯科技(深圳)有限公司 | 相互作用信息的确定、预测模型的训练方法、设备及介质 |
CN114927165A (zh) * | 2022-07-20 | 2022-08-19 | 深圳大学 | 泛素化位点的识别方法、装置、系统和存储介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017174580A1 (en) * | 2016-04-04 | 2017-10-12 | Boehringer Ingelheim Rcv Gmbh & Co Kg | Real time monitoring of product purification |
CN107742061B (zh) * | 2017-09-19 | 2021-06-01 | 中山大学 | 一种蛋白质相互作用预测方法、系统和装置 |
US20210081717A1 (en) * | 2018-05-18 | 2021-03-18 | Benevolentai Technology Limited | Graph neutral networks with attention |
CN110580525B (zh) * | 2019-06-03 | 2021-05-11 | 北京邮电大学 | 适用于资源受限的设备的神经网络压缩方法及系统 |
CN110415763B (zh) * | 2019-08-06 | 2023-05-23 | 腾讯科技(深圳)有限公司 | 药物与靶标的相互作用预测方法、装置、设备及存储介质 |
CN111613273B (zh) * | 2020-04-10 | 2023-03-28 | 安徽省农业科学院畜牧兽医研究所 | 模型训练方法、蛋白质相互作用预测方法、装置和介质 |
CN111667884B (zh) * | 2020-06-12 | 2022-09-09 | 天津大学 | 基于注意力机制使用蛋白质一级序列预测蛋白质相互作用的卷积神经网络模型 |
CN112151128A (zh) * | 2020-10-16 | 2020-12-29 | 腾讯科技(深圳)有限公司 | 相互作用信息的确定方法、装置、设备及存储介质 |
-
2020
- 2020-10-16 CN CN202011112368.9A patent/CN112151128A/zh active Pending
-
2021
- 2021-09-22 EP EP21879216.6A patent/EP4170662A4/en active Pending
- 2021-09-22 WO PCT/CN2021/119651 patent/WO2022078170A1/zh unknown
-
2022
- 2022-12-06 US US18/075,825 patent/US20230103635A1/en active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022017405A1 (zh) * | 2020-07-21 | 2022-01-27 | 腾讯科技(深圳)有限公司 | 一种药物筛选方法、装置及电子设备 |
WO2022078170A1 (zh) * | 2020-10-16 | 2022-04-21 | 腾讯科技(深圳)有限公司 | 相互作用信息的确定、预测模型的训练方法、设备及介质 |
CN112989134A (zh) * | 2021-03-29 | 2021-06-18 | 腾讯科技(深圳)有限公司 | 节点关系图的处理方法、装置、设备及存储介质 |
CN112989134B (zh) * | 2021-03-29 | 2023-08-25 | 腾讯科技(深圳)有限公司 | 节点关系图的处理方法、装置、设备及存储介质 |
CN114927165A (zh) * | 2022-07-20 | 2022-08-19 | 深圳大学 | 泛素化位点的识别方法、装置、系统和存储介质 |
CN114927165B (zh) * | 2022-07-20 | 2022-12-02 | 深圳大学 | 泛素化位点的识别方法、装置、系统和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2022078170A1 (zh) | 2022-04-21 |
EP4170662A4 (en) | 2024-03-27 |
EP4170662A1 (en) | 2023-04-26 |
US20230103635A1 (en) | 2023-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112151128A (zh) | 相互作用信息的确定方法、装置、设备及存储介质 | |
CN112183577A (zh) | 一种半监督学习模型的训练方法、图像处理方法及设备 | |
CN111860588B (zh) | 一种用于图神经网络的训练方法以及相关设备 | |
CN111507378A (zh) | 训练图像处理模型的方法和装置 | |
CN111797893A (zh) | 一种神经网络的训练方法、图像分类系统及相关设备 | |
CN113011282A (zh) | 图数据处理方法、装置、电子设备及计算机存储介质 | |
CN111382868A (zh) | 神经网络结构搜索方法和神经网络结构搜索装置 | |
CN112364880A (zh) | 基于图神经网络的组学数据处理方法、装置、设备及介质 | |
WO2021203865A9 (zh) | 分子结合位点检测方法、装置、电子设备及存储介质 | |
CN113392359A (zh) | 多目标预测方法、装置、设备及存储介质 | |
CN113159273B (zh) | 一种神经网络的训练方法及相关设备 | |
CN113792871A (zh) | 神经网络训练方法、目标识别方法、装置和电子设备 | |
CN113592060A (zh) | 一种神经网络优化方法以及装置 | |
CN114580794B (zh) | 数据处理方法、装置、程序产品、计算机设备和介质 | |
CN114612402A (zh) | 对象数量的确定方法、装置、设备、介质及程序产品 | |
CN110866866B (zh) | 图像仿色处理方法、装置、电子设备及存储介质 | |
CN115049730B (zh) | 零件装配方法、装置、电子设备及存储介质 | |
CN115438249A (zh) | QoS预测模型构建方法、装置、设备及可读存储介质 | |
CN115129849A (zh) | 题目表示的获取方法、设备以及计算机可读存储介质 | |
CN114298961A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN113706347A (zh) | 一种多任务模型蒸馏方法、系统、介质及电子终端 | |
CN112417260A (zh) | 本地化推荐方法、装置及存储介质 | |
Richey | Scalable agent-based modeling of forced migration | |
CN117058498B (zh) | 分割图评估模型的训练方法、分割图的评估方法及装置 | |
CN115115050A (zh) | 迁移学习模型的确定方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40035279 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |