CN113409898A

CN113409898A - 分子结构获取方法、装置、电子设备及存储介质

Info

Publication number: CN113409898A
Application number: CN202110739352.9A
Authority: CN
Inventors: 陈致远; 方晓敏; 王凡
Original assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Current assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Priority date: 2021-06-30
Filing date: 2021-06-30
Publication date: 2021-09-17
Anticipated expiration: 2041-06-30
Also published as: JP2023007366A; CN113409898B; JP7404597B2; US20230005572A1

Abstract

本公开提供了分子结构获取方法、装置、电子设备及存储介质，涉及深度学习等人工智能领域，其中的方法可包括：针对初始的种子，执行以下第一处理：根据所述种子生成M个分子结构，M为大于一的正整数；将M个分子结构作为待选分子结构，从待选分子结构中选出部分分子结构，作为子代分子结构；对子代分子结构进行进化学习，将进化学习后的子代分子结构作为种子，重复执行所述第一处理，直至收敛至优化目标，其中，当收敛至优化目标时，将最新选出的分子结构作为所需的分子结构。应用本公开所述方案，可降低实现成本及提升处理效率等。

Description

分子结构获取方法、装置、电子设备及存储介质

技术领域

本公开涉及人工智能技术领域，特别涉及深度学习等领域的分子结构获取方法、装置、电子设备及存储介质。

背景技术

分子结构优化是药物研发流程中的重要一环，其目的在于获取满足特定性质/要求的分子结构。

传统方式中，分子结构优化涉及化学、药学以及材料学等多学科交叉，通常通过药化专家分析和实验等来确定出分子结构，即获取到所需的分子结构。这种方式严重依赖于专家知识，并需要大量的生物化学实验，因此存在成本高和效率低等问题。

发明内容

本公开提供了分子结构获取方法、装置、电子设备及存储介质。

一种分子结构获取方法，包括：

针对初始的种子，执行以下第一处理：

根据所述种子生成M个分子结构，M为大于一的正整数；

将所述M个分子结构作为待选分子结构，从所述待选分子结构中选出部分分子结构，作为子代分子结构；

对所述子代分子结构进行进化学习，将进化学习后的子代分子结构作为所述种子，重复执行所述第一处理，直至收敛至优化目标，其中，当收敛至优化目标时，将最新选出的分子结构作为所需的分子结构。

一种分子结构获取装置，包括：第一处理模块和第二处理模块；

所述第一处理模块，用于获取初始的种子，并发送给所述第二处理模块；

所述第二处理模块，用于针对所述种子，执行以下第一处理：根据所述种子生成M个分子结构，M为大于一的正整数；将所述M个分子结构作为待选分子结构，从所述待选分子结构中选出部分分子结构，作为子代分子结构；对所述子代分子结构进行进化学习，将进化学习后的子代分子结构作为所述种子，重复执行所述第一处理，直至收敛至优化目标，其中，当收敛至优化目标时，将最新选出的分子结构作为所需的分子结构。

一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如以上所述的方法。

一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行如以上所述的方法。

一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如以上所述的方法。

上述公开中的一个实施例具有如下优点或有益效果：可通过循环迭代等一系列处理，自动地获取到所需的分子结构，即实现分子结构优化，从而相比于现有方式降低了实现成本并提升了处理效率等。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1为本公开所述分子结构获取方法实施例的流程图；

图2为本公开所述分子结构获取方法的整体实现过程示意图；

图3为本公开所述分子结构获取装置实施例300的组成结构示意图；

图4示出了可以用来实施本公开的实施例的示例电子设备400的示意性框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

另外，应理解，本文中术语“和/或”，仅仅是一种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。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

图1为本公开所述分子结构获取方法实施例的流程图。如图1所示，包括以下具体实现方式。

在步骤101中，针对初始的种子，执行步骤102-步骤104所示第一处理。

在步骤102中，根据所述种子生成M个分子结构，M为大于一的正整数。

在步骤103中，将M个分子结构作为待选分子结构，从待选分子结构中选出部分分子结构，作为子代分子结构。

在步骤104中，对子代分子结构进行进化学习，将进化学习后的子代分子结构作为种子，重复执行所述第一处理，直至收敛至优化目标，其中，当收敛至优化目标时，将最新选出的分子结构作为所需的分子结构。

可以看出，上述方法实施例所述方案中，采用了基于进化算法的分子进化流程，通过循环迭代等一系列处理，逐步逼近目标以实现优化，从而可自动地获取到所需的分子结构，相比于现有方式降低了实现成本并提升了处理效率等。

如何获取初始的种子不作限制，比如可为随机生成的。初始的种子即为初始的作为种子的分子结构。初始的种子的数量可为一个或多个。

根据初始的种子，可生成M个分子结构，M为大于一的正整数，具体取值可根据实际需要而定。本公开的一个实施例中，可根据所述种子，通过隐空间(或称为隐式空间)采样方式生成M个分子结构。其中，隐空间是指原始数据经神经网络压缩后的数据空间，通常为标准正态分布，以便于采样。

如何生成M个分子结构不作限制。比如，可采用任意基于隐空间采样的生成模型，通过隐空间采样，生成M个分子结构。不受限于生成形式，模型结构可以基于变分自编码器(VAE，Variational Auto-Encoder)，也可以基于流(Flow)等，模型数据结构可以基于序列，也可以基于图，还可以基于3维空间结构等。

可将生成的M个分子结构直接作为待选分子结构，进行后续处理。本公开的一个实施例中，针对生成的M个分子结构，还可首先从中过滤掉不符合要求的分子结构，进而将过滤后剩余的分子结构作为待选分子结构，进行后续处理。

如何过滤掉不符合要求的分子结构不作限制。比如，可采用预先训练得到的过滤模型来过滤掉不符合要求的分子结构，或者，也可基于预先定义的过滤规则来过滤掉不符合要求的分子结构。

通过过滤处理，可减少后续处理的工作量，并提升了处理效率和处理结果的准确性等。

针对各待选分子结构，可从中选出部分分子结构，作为子代分子结构，即选出进入下一轮进化流程的分子结构。

本公开的一个实施例中，可分别获取各待选分子结构的评估得分，根据所述评估得分选出子代分子结构。

为获取评估得分，本公开的一个实施例中，针对每个待选分子结构，可分别进行以下处理：获取该待选分子结构的P个评分，P为正整数，不同的评分分别对应于不同的优化目标；当P等于一时，可将所述评分作为该待选分子结构的评估得分；当P大于一时，可综合P个评分确定出该待选分子结构的评估得分。

本公开所述的进化流程可嵌入任意可计算的优化目标，即理论上可完成任意可计算目标的优化，不受限于优化场景。优化目标可以为一个，也可以为多个。

比如，P的取值可为2，即优化目标可为2个，并假设针对每个待选分子结构，可分别利用分子活性预测模型和油水分配系数预测模型确定出一个评分，即针对每个待选分子结构可分别获取到2个评分。其中，分子活性预测模型对应的优化场景为针对靶点的分子结构优化，油水分配系数预测模型对应的优化场景为针对分子亲水性或疏水性的结果优化。

通常来说，不同的待选分子结构对应的评分数量及评分类型等都是相同的。比如，可分别利用分子活性预测模型获取不同的待选分子结构的1个评分，或者，分别利用分子活性预测模型和油水分配系数预测模型获取不同的待选分子结构的2个评分。

对于任一待选分子结构，当P等于一时，可直接将其评分作为该待选分子结构的评估得分，当P大于一时，可综合P个评分确定出该待选分子结构的评估得分，比如，可将P个评分加权相加，将计算结果作为该待选分子结构的评估得分，不同评分对应的权重可以相同，也可以不同。

对于任一待选分子结构，其评估得分即指该分子结构在进化流程中的适应性得分。

借助于评估得分，可准确高效地筛选出子代分子结构，从而为后续处理奠定了良好的基础。

本公开的一个实施例中，根据评估得分选出子代分子结构的具体方式可包括：

1)按照评估得分由高到低的顺序对各待选分子结构进行排序，将排序后处于前N位的分子结构作为子代分子结构，N为正整数，且小于待选分子结构的数量；

2)根据评估得分，采用行列式点过程(DPP，Determinantal Point Process)方式，从各待选分子结构选出子代分子结构。

其中，方式1)是从精英选择的角度考虑，选取评估得分最高的N个分子结构作为子代分子结构，方式2)中，可通过DPP方式，从各待选分子结构中选出一个兼顾评估得分与分子多样性的子集，将其中的分子结构作为子代分子结构。具体采用哪种方式可根据实际需要而定，非常的灵活方便。DPP方式的具体实现为现有技术。

进一步地，可对子代分子结构进行进化学习，使得分子结构发生突变以期望在下一轮进化流程中获得更高的评估得分。

如何进行进化学习不作限制。比如，可采用遗传算法或进化策略等方式实现进化学习。

进一步地，可将进化学习后的子代分子结构作为种子，重复执行所述第一处理，直至收敛至优化目标。

本公开的一个实施例中，还可对进化学习后的子代分子结构对应的隐空间进行正则化处理，之后重复执行所述第一处理。

通过正则化处理，可拉近隐空间向量与空间原点之间的距离，防止隐空间向量过于偏离正常分子数据分布中心，从而使得优化后的分子结构更加接近于药物分子，以避免得到过于奇怪的分子结构等。如何进行正则化处理为现有技术。

当收敛至优化目标时，可将最新选出的分子结构作为所需的分子结构，即作为最终获取到的分子结构。

综合上述介绍，图2为本公开所述分子结构获取方法的整体实现过程示意图。

如图2所示，针对初始的种子，可执行生成操作，即生成M个分子结构，M为大于一的正整数。比如，可通过隐空间采样方式生成M个分子结构。

如图2所示，之后，可执行过滤操作，即可从生成的分子结构中过滤掉不符合要求的分子结构，将过滤后剩余的分子结构作为待选分子结构。

如图2所示，之后，可执行评估操作，即分别获取各待选分子结构的评估得分。比如，针对每个待选分子结构，可分别进行以下处理：获取该待选分子结构的P个评分，P为正整数，不同的评分分别对应于不同的优化目标，当P等于一时，可将所述评分作为该待选分子结构的评估得分，当P大于一时，可综合P个评分确定出该待选分子结构的评估得分。

如图2所示，之后，可执行选择操作，即根据评估得分，从各待选分子结构中选出部分分子结构，作为子代分子结构。比如，可按照评估得分由高到低的顺序对各待选分子结构进行排序，将排序后处于前N位的分子结构作为子代分子结构，N为正整数，且小于待选分子结构的数量，或者，可根据所述评估得分，通过DPP方式，从各待选分子结构选出子代分子结构。

如图2所示，之后，可执行进化操作，即可对子代分子结构进行进化学习。进一步地，可将进化学习后的子代分子结构作为种子，重复执行上述处理，直至收敛至优化目标，其中，当收敛至优化目标时，可将最新选出的分子结构作为所需的分子结构输出。

图2所示过程的具体实现请参照前述相关说明，不再赘述。

总之，本公开所述方案可自动地实现分子结构优化，并可兼顾分子结构多样性和类药性等，另外，能够与药物研发平台中的其它模型进行有效、灵活地结合，不依赖于所结合的模型形式等。

需要说明的是，对于前述的方法实施例，为了简单描述，将其表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本公开所必须的。

以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。

图3为本公开所述分子结构获取装置实施例300的组成结构示意图。如图3所示，包括：第一处理模块301和第二处理模块302。

第一处理模块301，用于获取初始的种子，并发送给第二处理模块302。

第二处理模块302，用于针对获取到的种子，执行以下第一处理：根据所述种子生成M个分子结构，M为大于一的正整数；将M个分子结构作为待选分子结构，从待选分子结构中选出部分分子结构，作为子代分子结构；对子代分子结构进行进化学习，将进化学习后的子代分子结构作为种子，重复执行所述第一处理，直至收敛至优化目标，其中，当收敛至优化目标时，将最新选出的分子结构作为所需的分子结构。

本公开的一个实施例中，第二处理模块302可根据获取到的种子，通过隐空间采样方式生成M个分子结构。

如何生成M个分子结构不作限制。比如，可采用任意基于隐空间采样的生成模型，通过隐空间采样，生成M个分子结构。不受限于生成形式，模型结构可以基于VAE，也可以基于Flow等，模型数据结构可以基于序列，也可以基于图，还可以基于3维空间结构等。

第二处理模块302可将生成的M个分子结构直接作为待选分子结构，进行后续处理。本公开的一个实施例中，针对生成的M个分子结构，第二处理模块302还可先从中过滤掉不符合要求的分子结构，进而将过滤后剩余的分子结构作为待选分子结构，进行后续处理。

针对各待选分子结构，第二处理模块302可从中选出部分分子结构，作为子代分子结构，即选出进入下一轮进化流程的分子结构。

本公开的一个实施例中，第二处理模块302可分别获取各待选分子结构的评估得分，根据所述评估得分选出子代分子结构。

为获取评估得分，本公开的一个实施例中，针对每个待选分子结构，第二处理模块302可分别进行以下处理：获取该待选分子结构的P个评分，P为正整数，不同的评分分别对应于不同的优化目标；当P等于一时，可将所述评分作为该待选分子结构的评估得分；当P大于一时，可综合P个评分确定出该待选分子结构的评估得分。

本公开的一个实施例中，第二处理模块302可按照评估得分由高到低的顺序对各待选分子结构进行排序，将排序后处于前N位的分子结构作为子代分子结构，N为正整数，且小于待选分子结构的数量，或者，第二处理模块302可根据评估得分，采用DPP方式，从各待选分子结构选出子代分子结构。

进一步地，第二处理模块302可对子代分子结构进行进化学习，使得分子结构发生突变以期望在下一轮进化流程中获得更高的评估得分。

进一步地，第二处理模块302可将进化学习后的子代分子结构作为种子，重复执行所述第一处理，直至收敛至优化目标。

本公开的一个实施例中，第二处理模块302还可对进化学习后的子代分子结构对应的隐空间进行正则化处理，之后重复执行所述第一处理。

当收敛至优化目标时，第二处理模块302可将最新选出的分子结构作为所需的分子结构，即作为最终获取到的分子结构。

图3所示装置实施例的具体工作流程请参照前述方法实施例中的相关说明，不再赘述。

总之，采用本公开装置实施例所述方案，可通过循环迭代等一系列处理，自动地获取到所需的分子结构，即实现分子结构优化，从而相比于现有方式降低了实现成本并提升了处理效率等。

本公开所述方案可应用于人工智能领域，特别涉及深度学习等领域。人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术，人工智能硬件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、大数据处理等技术，人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图4示出了可以用来实施本公开的实施例的示例电子设备400的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图4所示，设备400包括计算单元401，其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序，来执行各种适当的动作和处理。在RAM 403中，还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。

设备400中的多个部件连接至I/O接口405，包括：输入单元406，例如键盘、鼠标等；输出单元407，例如各种类型的显示器、扬声器等；存储单元408，例如磁盘、光盘等；以及通信单元409，例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法和处理，例如本公开所述的方法。例如，在一些实施例中，本公开所述的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元408。在一些实施例中，计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元401执行时，可以执行本公开所述的方法的一个或多个步骤。备选地，在其他实施例中，计算单元401可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行本公开所述的方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS)中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。云计算指的是通过网络接入弹性可扩展的共享物理或虚拟资源池，资源可以包括服务器、操作系统、网络、软件、应用和存储设备等，并可以以按需、自服务的方式对资源进行部署和管理的技术体系，通过云计算技术，可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims

1.一种分子结构获取方法，包括：

针对初始的种子，执行以下第一处理：

根据所述种子生成M个分子结构，M为大于一的正整数；

2.根据权利要求1所述的方法，其中，所述根据所述种子生成M个分子结构包括：

根据所述种子，通过隐空间采样方式生成所述M个分子结构。

3.根据权利要求1所述的方法，还包括：

从生成的分子结构中过滤掉不符合要求的分子结构，将过滤后剩余的分子结构作为所述待选分子结构。

4.根据权利要求1～3中任一项所述的方法，其中，所述从所述待选分子结构中选出部分分子结构，作为子代分子结构包括：

分别获取各待选分子结构的评估得分；

根据所述评估得分选出所述子代分子结构。

5.根据权利要求4所述的方法，其中，所述分别获取各待选分子结构的评估得分包括：

针对每个待选分子结构，分别进行以下处理：

获取所述待选分子结构的P个评分，P为正整数，不同的评分分别对应于不同的优化目标；

当P等于一时，将所述评分作为所述待选分子结构的评估得分；

当P大于一时，综合所述P个评分确定出所述待选分子结构的评估得分。

6.根据权利要求4所述的方法，其中，所述根据所述评估得分选出所述子代分子结构包括：

按照评估得分由高到低的顺序对各待选分子结构进行排序，将排序后处于前N位的分子结构作为所述子代分子结构，N为正整数，且小于所述待选分子结构的数量；

或者，根据所述评估得分，通过行列式点过程DPP方式，从各待选分子结构选出所述子代分子结构。

7.根据权利要求2所述的方法，还包括：对进化学习后的子代分子结构对应的隐空间进行正则化处理。

8.一种分子结构获取装置，包括：第一处理模块和第二处理模块；

9.根据权利要求8所述的装置，其中，

所述第二处理模块根据所述种子，通过隐空间采样方式生成所述M个分子结构。

10.根据权利要求8所述的装置，其中，

所述第二处理模块进一步用于，从生成的分子结构中过滤掉不符合要求的分子结构，将过滤后剩余的分子结构作为所述待选分子结构。

11.根据权利要求8～10中任一项所述的装置，其中，

所述第二处理模块分别获取各待选分子结构的评估得分，根据所述评估得分选出所述子代分子结构。

12.根据权利要求11所述的装置，其中，

所述第二处理模块针对每个待选分子结构，分别进行以下处理：获取所述待选分子结构的P个评分，P为正整数，不同的评分分别对应于不同的优化目标，当P等于一时，将所述评分作为所述待选分子结构的评估得分，当P大于一时，综合所述P个评分确定出所述待选分子结构的评估得分。

13.根据权利要求11所述的装置，其中，

所述第二处理模块按照评估得分由高到低的顺序对各待选分子结构进行排序，将排序后处于前N位的分子结构作为所述子代分子结构，N为正整数，且小于所述待选分子结构的数量；

或者，所述第二处理模块根据所述评估得分，通过行列式点过程DPP方式，从各待选分子结构选出所述子代分子结构。

14.根据权利要求9所述的装置，其中，

所述第二处理模块进一步用于，对进化学习后的子代分子结构对应的隐空间进行正则化处理。

15.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。

16.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行根据权利要求1-7中任一项所述的方法。

17.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。