CN114429797A - 分子集合生成方法及装置、终端和存储介质 - Google Patents

分子集合生成方法及装置、终端和存储介质 Download PDF

Info

Publication number
CN114429797A
CN114429797A CN202111647796.6A CN202111647796A CN114429797A CN 114429797 A CN114429797 A CN 114429797A CN 202111647796 A CN202111647796 A CN 202111647796A CN 114429797 A CN114429797 A CN 114429797A
Authority
CN
China
Prior art keywords
molecule
initialized
subset
molecular
screening
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
Application number
CN202111647796.6A
Other languages
English (en)
Inventor
陈致远
方晓敏
王凡
何径舟
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202111647796.6A priority Critical patent/CN114429797A/zh
Publication of CN114429797A publication Critical patent/CN114429797A/zh
Priority to US17/936,422 priority patent/US20230019202A1/en
Priority to JP2022180670A priority patent/JP7451653B2/ja
Pending legal-status Critical Current

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Medicinal Chemistry (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

本公开公开了分子集合生成方法及装置、终端和存储介质，涉及计算机技术领域，尤其涉及药物从头设计技术领域。具体实现方案为：通过预筛选模型获取初始化分子集合中的第一初始化分子子集；获取第一初始化分子子集中至少一个初始化分子的物理信息，并基于物理信息，对至少一个初始化分子进行筛选，得到筛选后的分子集合；获取筛选后的分子集合中至少一个分子的生化实验评估值；基于至少一个分子的生化实验评估值，得到目标分子集合。本公开实施例可以提高分子集合生成的效率，减少资源成本的消耗，提高实用性，进而提高用户的使用体验。

Description

分子集合生成方法及装置、终端和存储介质
技术领域
本公开涉及计算机技术领域，尤其涉及药物从头设计技术领域，具体涉及一种分子集合生成方法及装置、终端和存储介质。
背景技术
药物设计的目标是从巨大的化学空间找到具有某些理想性质的分子。药物从头设计(De novo design)，即从零开始生产具有所需药理特性的新分子实体，由于类药物分子化学空间的基数估计在1060-10100数量级，往往被认为是药物设计中最具挑战性的计算机辅助任务之一。分子集合生成作为药物从头设计的重要工具，可低成本、高效率地生成全新的分子结构，加速药物设计流程。
发明内容
本公开提供了一种效率更高的分子集合生成方法及装置、终端和存储介质。
根据本公开的一方面，提供了一种分子集合生成方法，包括：
通过预筛选模型获取初始化分子集合中的第一初始化分子子集；
获取所述第一初始化分子子集中至少一个初始化分子的物理信息，并基于所述物理信息，对所述至少一个初始化分子进行筛选，得到筛选后的分子集合；
获取所述筛选后的分子集合中至少一个分子的生化实验评估值；
基于所述至少一个分子的生化实验评估值，得到目标分子集合。
根据本公开的另一方面，提供了一种分子集合生成装置，包括：
子集获取单元，用于通过预筛选模型获取初始化分子集合中的第一初始化分子子集；
分子筛选单元，用于获取所述第一初始化分子子集中至少一个初始化分子的物理信息，并基于所述物理信息，对所述至少一个初始化分子进行筛选，得到筛选后的分子集合；
评估值获取单元，用于获取所述筛选后的分子集合中至少一个分子的生化实验评估值；
集合获取单元，用于基于所述至少一个分子的生化实验评估值，得到目标分子集合。
根据本公开的另一方面，提供了一种电子设备，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前述一方面中任一项所述的方法。
根据本公开的另一方面，提供了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所述计算机执行前述一方面中任一项所述的方法。
根据本公开的另一方面，提供了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前述一方面中任一项所述的方法。
在本公开一个或多个实施例中，通过预筛选模型获取初始化分子集合中的第一初始化分子子集；获取所述第一初始化分子子集中至少一个初始化分子的物理信息，并基于所述物理信息，对所述至少一个初始化分子进行筛选，得到筛选后的分子集合；获取所述筛选后的分子集合中至少一个分子的生化实验评估值；基于所述至少一个分子的生化实验评估值，得到目标分子集合。因此可以提高分子集合生成的效率。
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是用来实现本公开实施例的分子集合生成方法的背景示意图；
图2是用来实现本公开实施例的分子集合生成方法的系统架构图；
图3是根据本公开第一实施例的分子集合生成方法的流程示意图；
图4是根据本公开第二实施例的分子集合生成方法的流程示意图；
图5是用来实现本公开实施例的获取第一初始化分子子集的场景示意图；
图6a是用来实现本公开实施例的分子集合生成方法的第一种分子集合生成装置的结构示意图；
图6b是用来实现本公开实施例的分子集合生成方法的第二种分子集合生成装置的结构示意图；
图6c是用来实现本公开实施例的分子集合生成方法的第三种分子集合生成装置的结构示意图；
图6d是用来实现本公开实施例的分子集合生成方法的第四种分子集合生成装置的结构示意图；
图6e是用来实现本公开实施例的分子集合生成方法的第五种分子集合生成装置的结构示意图；
图7是用来实现本公开实施例的分子集合生成方法的电子设备的框图。
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。
随着科学技术的发展，分子集合生成是自动提出新的化学结构、以最佳方式满足所需的分子特征的过程。分子集合生成包括基于配体的生成和基于靶点的生成两种方式。其中，基于配体的生成指根据已有成药分子，通过模型修改其结构信息，从而产生新的分子；这种方式忽略了靶点信息，只能生成与已知活性配体结构相似的分子，应用场景有限。而基于靶点的生成方式指根据靶点口袋信息，设计可以与靶点口袋有效结合的分子结构。这种方式有效结合了靶点信息，优化目标加明确，能针对特定靶点蛋白生成有效的高活性分子，更具现实意义。
根据一些实施例，图1示出用来实现本公开实施例的分子集合生成方法的背景示意图。如图1所示，终端通过基于靶点的生成方式生成分子时，终端可以通过基于靶点的生成模型产生分子。当终端获取到生成的分子时，终端可以调用目标函数获取当前分子的目标得分，并根据当前目标得分调整生成策略，从而达到生成的分子在目标分数上的最大化。
在一些实施例中，图2示出用来实现本公开实施例的分子集合生成方法的系统架构图。如图2所示，终端21通过基于靶点的生成模型产生分子，并且，通过网络22将生成的分子上传至服务器23中。当服务器23获取到生成的分子时，服务器23可以调用目标函数获取当前分子的目标得分，并通过网络22将目标得分发送至终端21，进而终端21可以根据目标得分调整生成策略，从而达到生成的分子在目标分数上的最大化。
易于理解的是，基于靶点信息的分子生成方式没有对生成的分子设计合理的评估流程，需要大量的计算或者实验评估次数，需要消耗大量的时间、计算资源、材料等，成本高，实用性低。
下面结合具体的实施例对本申请进行详细说明。
在第一个实施例中，如图3所示，图3示出根据本公开第一实施例的分子集合生成方法的流程示意图，该方法可依赖于计算机程序实现，可运行于进行分子集合生成的装置上。该计算机程序可集成在应用中，也可作为独立的工具类应用运行。
其中，分子集合生成装置可以是具有分子集合生成功能的终端，该终端包括但不限于：可穿戴设备、手持设备、个人电脑、平板电脑、车载设备、智能手机、计算设备或连接到无线调制解调器的其它处理设备等。在不同的网络中终端可以叫做不同的名称，例如：用户设备、接入终端、用户单元、用户站、移动站、移动台、远方站、远程终端、移动设备、用户终端、终端、无线通信设备、用户代理或用户装置、蜂窝电话、无绳电话、个人数字处理(personal digital assistant，PDA)、第五代移动通信技术(5th Generation MobileCommunication Technology，5G)网络、第四代移动通信技术(the 4th generation mobilecommunication technology，4G)网络、第三代移动通信技术(3rd-Generation，3G)网络或未来演进网络中的终端等。
具体的，该分子集合生成方法包括：
S301，通过预筛选模型获取初始化分子集合中的第一初始化分子子集；
根据一些实施例，初始化分子集合指的是终端生成的未经筛选的分子的集合。该初始化分子集合并不特指某一固定集合。例如，当初始化分子的数量发生变化时，该初始化分子集合也会发生变化。当初始化分子的种类发生变化时，该初始化分子集合也会发生变化。
在一些实施例中，第一初始化分子子集指的是初始化分子集合中最具有评估潜力的分子的集合。该第一初始化分子子集并不特指某一固定集合。例如，当初始化分子集合发生变化时，该第一初始化分子子集也会发生变化。当预筛选模型发生变化时，该第一初始化分子子集也会发生变化。
在一些实施例中，预筛选模型指的是终端从初始化分子集合中选出第一初始化分子子集时所使用的模型。该预筛选模型并不特指某一固定模型。当终端获取针对预筛选模型的模型修改指令时，该预筛选模型也会发生相应变化。预筛选模型包括但不限于传统机器学习中的随机森林模型、深度学习中的图神经网络等等。
易于理解的是，在终端进行分子集合生成的过程中，当终端获取初始化分子集合时，终端可以通过预筛选模型获取初始化分子集合中的第一初始化分子子集。
S302，获取第一初始化分子子集中至少一个初始化分子的物理信息，并基于物理信息，对至少一个初始化分子进行筛选，得到筛选后的分子集合；
根据一些实施例，物理信息指的是分子不需要经过化学变化就表现出来的信息。该物理信息并不特指某一固定信息。该物理信息包括但不限于结合自由能、结合活性、毒性、自由能微扰等等。
在一些实施例中，结合自由能指的是存在于配体与受体之间的相互作用，其负值越高，表征键合越强，破坏一个键合所需要的能量也就越大，如果结合自由能为正数，表面键合不能自发形成。自由能微扰是用来计算自由能的一种常用方法。
在一些实施例中，筛选指的是终端对至少一个初始化分子进行层层过滤，得到具有评估潜力的分子的过程。筛选的方式并不特指某一固定方式。当终端获取针对筛选方式的方式修改指令时，该筛选方式也会发生相应变化。筛选的方式例如可以为通过计算模型筛选等等。
在一些实施例中，将所有筛选后得到的具有评估潜力的分子放入同一个集合中即得到筛选后的分子集合。该筛选后的分子集合并不特指某一固定集合。例如，当筛选方式发生变化时，该筛选后的分子集合也会发生变化。当第一初始化分子子集发生变化时，该筛选后的分子集合也会发生变化。
易于理解的是，当终端获取到第一初始化分子子集时，终端可以获取第一初始化分子子集中至少一个初始化分子的物理信息。当终端获取到至少一个初始化分子的物理信息时，终端可以基于物理信息，对至少一个初始化分子进行筛选，从而得到筛选后的分子集合。
S303，获取筛选后的分子集合中至少一个分子的生化实验评估值；
根据一些实施例，生化实验评估值指的是通过实验得到的分子真实的属性值。该属性值包括但不限于结合自由能、结合活性、毒性、自由能微扰等等。该生化实验评估值并不特指某一固定评估值。例如，当属性值的种类发生变化时，该生化实验评估值也会发生变化。当分子发生变化时，该分子对应的生化实验评估值也会发生变化。
易于理解的是，当终端获取到筛选后的分子集合时，终端可以获取筛选后的分子集合中至少一个分子的生化实验评估值。
S304，基于至少一个分子的生化实验评估值，得到目标分子集合。
根据一些实施例，目标分子集合指的是终端基于至少一个分子的生化实验评估值，从筛选后的分子集合中获取到的达到目标分子生成质量的分子的集合。该目标分子集合并不特指某一固定集合。例如，当筛选后的分子集合发生变化时，该目标分子集合也会发生变化。当目标分子生成质量发生变化时，该目标分子集合也会发生变化。
易于理解的是，当终端获取到至少一个分子的生化实验评估值时，终端可以获取达到目标分子生成质量的目标分子集合。
在本公开实施例中，通过预筛选模型获取初始化分子集合中的第一初始化分子子集；获取第一初始化分子子集中至少一个初始化分子的物理信息，并基于物理信息，对至少一个初始化分子进行筛选，得到筛选后的分子集合；获取筛选后的分子集合中至少一个分子的生化实验评估值；基于至少一个分子的生化实验评估值，得到目标分子集合。因此可以通过计算分子的物理信息和生化实验评估值获取目标分子集合，可以减少计算的次数，提高分子集合生成的效率，减少资源成本的消耗，提高实用性，进而提高用户的使用体验。
请参见图4，图4示出根据本公开第二实施例的分子集合生成方法的流程示意图。具体的：
S401，通过神经网络模型，采样获取到至少一个初始化种子；
根据一些实施例，神经网络模型指的是以神经元的数学模型为基础来描述，由网络拓扑、节点特点和学习规则来表示的数学模型。该神经网络模型并不特指某一固定模型。该神经网络模型包括但不限于反向传播(Back propagation，BP)神经网络模型、霍普菲尔德(Hopfield)神经网络模型、自适应共振理论(Adaptive Resonance Theory，ART)神经网络模型和Kohonen网络模型等等。
在一些实施例中，初始化种子指的是终端用于生成初始化分子的种子。该初始化种子并不特指某一固定种子。例如，当神经网络模型发生变化时，该初始化种子也会发生变化。当采样方式发生变化时，该初始化种子也会发生变化。
在一些实施例中，终端通过神经网络模型，采样获取初始化种子的方式包括模型隐空间采样和已生成空间采样。其中，当终端采用模型隐空间采样方式时，终端采用神经网络模型，从初始化的模型隐空间中采样得到至少一个初始化种子。当终端采用已生成空间采样时，终端采用神经网络模型，从已生成的空间中采样得到至少一个初始化种子。因此可以提高终端获取初始化种子的准确性。
在一些实施例中，模型隐空间指的是原始数据经过神经网络模型压缩后的数据空间。该模型隐空间并不特指某一固定空间，例如，当原始数据发生变化时，该模型隐空间也会发生变化。当神经网络模型发生变化时，该模型隐空间也会发生变化。为了提高采样的准确性，该模型隐空间例如可以为标准正态分布。
易于理解的是，终端在进行分子集合生成的过程中，终端可以通过神经网络模型，采样获取到至少一个初始化种子。
S402，通过生成模型，获取至少一个初始化种子对应的初始化分子集合；
具体过程如上，此处不再赘述。
根据一些实施例，生成模型指的是终端基于至少一个初始化种子获取对应的初始化分子集合时所应用的模型。该生成模型并不特指某一固定模型。该生成模型包括但不限于生成对抗网络(GAN)、变分自编码器(VAE)、流(Flow)等等。
易于理解的是，当终端获取到至少一个初始化种子时，终端可以通过生成模型，获取至少一个初始化种子对应的初始化分子集合。由于生成模型并不特指某一固定模型，因此可以减少分子集合生成方法对模型的依赖，提高分子集合生成方法执行的灵活性。
S403，采用遗传算法，对初始化分子集合进行筛选，得到第二初始化分子子集；
根据一些实施例，遗传算法(genetic algorithm，GA)指的是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。遗传算法可以通过数学的方式,利用计算机仿真运算,将问题的求解过程转换成类似生物进化中的染色体基因的交叉、变异等过程。
在一些实施例中，第二初始化分子子集指的是终端通过遗传算法对初始化分子集合进行筛选后得到的粗筛分子的集合。该第二初始化分子子集并不特指某一固定集合。例如，当初始化分子集合发生变化时，该第二初始化分子子集也会发生变化。当遗传算法发生变化时，该第二初始化分子子集也会发生变化。
易于理解的是，当终端获取到初始化分子集合时，终端可以采用遗传算法，对初始化分子集合进行筛选，从而得到第二初始化分子子集。
S404，通过预筛选模型，对第二初始化分子子集中的至少一个初始化分子进行筛选，得到第一初始化分子子集；
具体过程如上，此处不再赘述。
根据一些实施例，终端通过预筛选模型，对第二初始化分子子集中的至少一个初始化分子进行筛选的过程中，终端可以获取预筛选模型对应的选择策略。当终端获取到选择策略时，终端可以获取第二初始化分子子集中满足选择策略的至少一个初始化分子，进而得到第一初始化分子子集。因此可以提高终端获取第一初始化分子子集的准确性。
在一些实施例中，选择策略指的是预筛选模型对第二初始化分子子集中的至少一个初始化分子进行筛选的过程中采用的选点思想。该选择策略并不特指某一固定策略。该选择策略的种类包括但不限于主动学习(active learning)、借助贝叶斯优化(Bayesianoptimization)、约束全局优化(Constrained Global Optimization)、行列式点过程(determinantal point process，DPP)等等。
在一些实施例中，选择策略的内容包括但不限于分子评分和空间多样性条件等等。因此终端在获取第一初始化分子子集的过程中，可以兼顾分子评分和空间多样性条件，从而使得筛选出的分子在满足高分子评分的同时在空间的分布中的离散程度高，进而增强第一初始化分子子集中分子的多样性和新颖性。
例如，终端在获取第一初始化分子子集的过程中，获取了第二初始化分子子集中五个分子评分相似的分子，但是其中有三个分子的位置相近，因此终端可以在这三个位置相近的分子中选择分子评分最高的那一个分子以及剩余两个位置不相近的分子放入第一初始化分子子集中。如图5所示，其中，终端获取了第二初始化分子子集中N1-N5五个分子评分相似的分子，N3、N4、N5这三个位置相近的分子中N3的分子评分为90，N4的分子评分为85，N5的分子评分为80，因此终端将N1、N2、N3这三个分子放入第一初始化分子子集中。
易于理解的是，当终端获取到第二初始化分子子集时，终端可以通过预筛选模型，对第二初始化分子子集中的至少一个初始化分子进行筛选，得到第一初始化分子子集。
S405，获取第一初始化分子子集中至少一个初始化分子的物理信息，并基于物理信息，对至少一个初始化分子进行筛选，得到筛选后的分子集合；
具体过程如上，此处不再赘述。
根据一些实施例，终端基于物理信息，对至少一个初始化分子进行筛选的的过程中，筛选计算的角度包括但不限于计算结合自由能、计算结合活性、计算毒性和计算自由能微扰等等。其中，终端可以通过分子对接(docking)来计算结合自由能，可以通过分子活性预测模型来计算结合活性，可以通过毒性(Admet)预测模型来计算毒性，可以通过deltadelta G来计算自由能微扰。因此，终端可以与docking、Admet预测模型、分子活性预测模型等各种技术做有效的，灵活的结合，且不依赖与所结合的生成模型的形式。
例如，终端基于任一初始化分子的物理信息，对该初始化分子进行筛选计算，确定该初始化分子的结合自由能为A、结合活性为B、毒性为C、自由能微扰为D。其中，结合自由能A小于结合自由能阈值，结合活性B大于结合活性阈值，毒性C大于毒性阈值，自由能微扰D大于自由能微扰阈值。则终端可以将该初始化分子放入筛选后的分子集合中。
易于理解的是，当终端获取到第一初始化分子子集时，终端可以获取第一初始化分子子集中至少一个初始化分子的物理信息。当终端获取到至少一个初始化分子的物理信息时，终端可以基于物理信息，对至少一个初始化分子进行筛选，从而得到筛选后的分子集合。
S406，获取筛选后的分子集合中至少一个分子的生化实验评估值；
具体过程如上，此处不再赘述。
根据一些实施例，当终端通过生化实验获取到筛选后的分子集合中任一分子的至少一种属性值时，终端可以确定该至少一种属性值的平均值或者加权平均值，从而得到该分子的生化实验评估值。例如，当终端通过生化实验获取到筛选后的分子集合中分子M的属性值1为M1、属性值2为M2、属性值3为M1时，终端可以得到该分子的生化实验评估值为(M1+M2+M3)/3。
易于理解的是，当终端获取到筛选后的分子集合时，终端可以获取筛选后的分子集合中至少一个分子的生化实验评估值。
S407，基于至少一个分子的生化实验评估值，得到目标分子集合；
具体过程如上，此处不再赘述。
根据一些实施例，终端可以通过迭代的方式，基于至少一个分子的生化实验评估值，反复迭代至少一次步骤S401-S406，直至获取的分子达到目标分子生成质量，从而得到目标分子集合。
在一些实施例中，终端进行迭代的过程中，重新获取第三初始化分子子集，并将第三初始化分子子集作为第一初始化分子子集，并重新执行获取筛选后的分子集合中至少一个分子的生化实验评估值的步骤；若筛选后的分子集合中各分子的对应的生化实验评估值的变化量小于变化量阈值，则停止执行获取第三初始化分子子集的步骤。因此可以提高获取的目标分子集合的质量。
在一些实施例中，第三初始化分子子集指的是终端根据步骤S401-步骤S404重新获取的最具有评估潜力的分子的集合。该第三初始化分子子集并不特指某一固定集合。例如，当初始化分子集合发生变化时，该第三初始化分子子集也会发生变化。当预筛选模型发生变化时，该第三初始化分子子集也会发生变化。
在一些实施例中，变化量阈值并不特指某一固定阈值。当终端获取到针对变化量阈值的阈值修改指令时，该变化量阈值会发生相应变化。
易于理解的是，当终端获取到至少一个分子的生化实验评估值时，终端可以获取达到目标分子生成质量的目标分子集合。
S408，获取目标分子集合中至少一个目标分子对应的属性信息和验证信息；
根据一些实施例，属性信息指的是目标分子对应的物理信息和生化实验信息。该属性信息并不特指某一固定信息。该属性信息包括但不限于结合自由能、结合活性、毒性、自由能微扰等等。
在一些实施例总，验证信息指的是目标分子对应的生化实验评估值中包含的至少一种属性值。该验证信息包括但不限于结合自由能、结合活性、毒性、自由能微扰等等。
易于理解的是，当终端获取到目标分子集合时，终端可以获取目标分子集合中至少一个目标分子对应的属性信息和验证信息。
S409，基于至少一个目标分子对应的属性信息和验证信息，对预筛选模型进行训练，得到训练后的预筛选模型。
易于理解的是，当终端获取到目标分子集合中至少一个目标分子对应的属性信息和验证信息时，终端可以将目标分子以及目标分子对应的属性信息和验证信息作为训练样本，从而对预筛选模型进行训练，得到训练后的预筛选模型。
在本公开实施例中，终端通过神经网络模型，采样获取到至少一个初始化种子，通过生成模型，获取至少一个初始化种子对应的初始化分子集合，因此可以提高初始化分子集合获取的效率。其次，采用遗传算法，对初始化分子集合进行筛选，得到第二初始化分子子集；通过预筛选模型，对第二初始化分子子集中的至少一个初始化分子进行筛选，得到第一初始化分子子集，因此可以提高第一初始化分子子集获取的准确性。另外，获取第一初始化分子子集中至少一个初始化分子的物理信息，并基于物理信息，对至少一个初始化分子进行筛选，得到筛选后的分子集合，获取筛选后的分子集合中至少一个分子的生化实验评估值，基于至少一个分子的生化实验评估值，得到目标分子集合，因此可以通过计算分子的物理信息和生化实验评估值获取目标分子集合，可以减少计算的次数，提高分子集合生成的效率，减少资源成本的消耗，提高实用性，进而提高用户的使用体验。最后，获取目标分子集合中至少一个目标分子对应的属性信息和验证信息；基于至少一个目标分子对应的属性信息和验证信息，对预筛选模型进行训练，得到训练后的预筛选模型；因此可以提高预筛选模型的准确性。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。
请参见图6a，其示出了用来实现本公开实施例的分子集合生成方法的第一种分子集合生成装置的结构示意图。该分子集合生成装置600可以通过软件、硬件或者两者的结合实现成为装置的全部或一部分。该分子集合生成装置600包括子集获取单元601、分子筛选单元602、评估值获取单元603和集合获取单元604，其中：
子集获取单元601，用于通过预筛选模型获取初始化分子集合中的第一初始化分子子集；
分子筛选单元602，用于获取第一初始化分子子集中至少一个初始化分子的物理信息，并基于物理信息，对至少一个初始化分子进行筛选，得到筛选后的分子集合；
评估值获取单元603，用于获取筛选后的分子集合中至少一个分子的生化实验评估值；
集合获取单元604，用于基于至少一个分子的生化实验评估值，得到目标分子集合。
可选地，图6b示出用来实现本公开实施例的分子集合生成方法的第二种分子集合生成装置的结构示意图，如图6b所示，子集获取单元601包括集合筛选子单元611和子集筛选子单元621，子集获取单元601用于通过预筛选模型获取初始化分子集合中的第一初始化分子子集时：
集合筛选子单元611，用于采用遗传算法，对初始化分子集合进行筛选，得到第二初始化分子子集；
子集筛选子单元621，用于通过预筛选模型，对第二初始化分子子集中的至少一个初始化分子进行筛选，得到第一初始化分子子集。
可选地，子集筛选子单元621，用于通过预筛选模型，对第二初始化分子子集中的至少一个初始化分子进行筛选，得到第一初始化分子子集时，具体用于：
获取预筛选模型对应的选择策略，选择策略包括分子评分和空间多样性条件；
获取第二初始化分子子集中满足选择策略的至少一个初始化分子，得到第一初始化分子子集。
可选地，图6c示出用来实现本公开实施例的分子集合生成方法的第三种分子集合生成装置的结构示意图，如图6c所示，集合获取单元604包括子集重获子单元614和步骤停止子单元624，集合获取单元604用于基于至少一个分子的生化实验评估值，得到目标分子集合时：
子集重获子单元614，用于重新获取第三初始化分子子集，并将第三初始化分子子集作为第一初始化分子子集，并重新执行获取筛选后的分子集合中至少一个分子的生化实验评估值的步骤；
步骤停止子单元624，用于若筛选后的分子集合中各分子的对应的生化实验评估值的变化量小于变化量阈值，则停止执行获取第三初始化分子子集的步骤。
可选地，图6d示出用来实现本公开实施例的分子集合生成方法的第四种分子集合生成装置的结构示意图，如图6d所示，分子集合生成装置600还包括种子获取单元605和集合生成单元606，用于在通过预筛选模型获取初始化分子集合中的初始化分子子集之前：
种子获取单元605，用于通过神经网络模型，采样获取到至少一个初始化种子；
集合生成单元606，用于通过生成模型，获取至少一个初始化种子对应的初始化分子集合。
可选地，种子获取单元605，用于通过神经网络模型，采样获取到至少一个初始化种子时，具体用于：
采用神经网络模型，从初始化的模型隐空间中采样得到至少一个初始化种子；
或者
采用神经网络模型，从已生成的空间中采样得到至少一个初始化种子。
可选地，图6e示出用来实现本公开实施例的分子集合生成方法的第五种分子集合生成装置的结构示意图，如图6e所示，分子集合生成装置600还包括模型训练单元607，用于在基于至少一个分子的生化实验评估值，得到目标分子集合之后：
获取目标分子集合中至少一个目标分子对应的属性信息和验证信息；
基于至少一个目标分子对应的属性信息和验证信息，对预筛选模型进行训练，得到训练后的预筛选模型。
需要说明的是，上述实施例提供的分子集合生成装置在执行分子集合生成方法时，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，上述实施例提供的分子集合生成装置与分子集合生成方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。
上述本公开实施例序号仅仅为了描述，不代表实施例的优劣。
在本公开一个或多个实施例中，通过子集获取单元可以通过预筛选模型获取初始化分子集合中的第一初始化分子子集；分子筛选单元可以获取第一初始化分子子集中至少一个初始化分子的物理信息，并基于物理信息，对至少一个初始化分子进行筛选，得到筛选后的分子集合；评估值获取单元可以获取筛选后的分子集合中至少一个分子的生化实验评估值；集合获取单元可以基于至少一个分子的生化实验评估值，得到目标分子集合。因此可以通过计算分子的物理信息和生化实验评估值获取目标分子集合，可以减少计算的次数，提高分子集合生成的效率，减少资源成本的消耗，提高实用性，进而提高用户的使用体验。
本公开的技术方案中，所涉及的用户个人信息的获取、存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
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7示出了可以用来实施本公开的实施例的示例电子设备700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、个人数字助理、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，个人数字处理、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7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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701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701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701执行上文所描述的各个方法和处理，例如分子集合生成方法。例如，在一些实施例中，分子集合生成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708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的分子集合生成方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行分子集合生成方法。
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)、互联网和区块链网络。
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，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"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。
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 (17)

1.一种分子集合生成方法，包括：
通过预筛选模型获取初始化分子集合中的第一初始化分子子集；
获取所述第一初始化分子子集中至少一个初始化分子的物理信息，并基于所述物理信息，对所述至少一个初始化分子进行筛选，得到筛选后的分子集合；
获取所述筛选后的分子集合中至少一个分子的生化实验评估值；
基于所述至少一个分子的生化实验评估值，得到目标分子集合。
2.根据权利要求1所述的方法，其中，所述通过预筛选模型获取初始化分子集合中的第一初始化分子子集，包括：
采用遗传算法，对所述初始化分子集合进行筛选，得到第二初始化分子子集；
通过预筛选模型，对所述第二初始化分子子集中的至少一个初始化分子进行筛选，得到第一初始化分子子集。
3.根据权利要求2所述的方法，其中，所述通过预筛选模型，对所述第二初始化分子子集中的至少一个初始化分子进行筛选，得到第一初始化分子子集，包括：
获取所述预筛选模型对应的选择策略，所述选择策略包括分子评分和空间多样性条件；
获取所述第二初始化分子子集中满足所述选择策略的至少一个初始化分子，得到第一初始化分子子集。
4.根据权利要求1所述的方法，其中，所述基于所述至少一个分子的生化实验评估值，得到目标分子集合，包括：
重新获取第三初始化分子子集，并将所述第三初始化分子子集作为所述第一初始化分子子集，并重新执行获取所述筛选后的分子集合中至少一个分子的生化实验评估值的步骤；
若所述筛选后的分子集合中各分子的对应的生化实验评估值的变化量小于变化量阈值，则停止执行获取第三初始化分子子集的步骤。
5.根据权利要求1所述的方法，其中，在所述通过预筛选模型获取初始化分子集合中的初始化分子子集之前，还包括：
通过神经网络模型，采样获取到至少一个初始化种子；
通过生成模型，获取所述至少一个初始化种子对应的初始化分子集合。
6.根据权利要求5所述的方法，其中，通过神经网络模型，采样获取到至少一个初始化种子，包括：
采用神经网络模型，从初始化的模型隐空间中采样得到至少一个初始化种子；
或者
采用所述神经网络模型，从已生成的空间中采样得到所述至少一个初始化种子。
7.根据权利要求1所述的方法，其中，在所述基于所述至少一个分子的生化实验评估值，得到目标分子集合之后，还包括：
获取所述目标分子集合中至少一个目标分子对应的属性信息和验证信息；
基于所述至少一个目标分子对应的所述属性信息和所述验证信息，对所述预筛选模型进行训练，得到训练后的预筛选模型。
8.一种分子集合生成装置，包括：
子集获取单元，用于通过预筛选模型获取初始化分子集合中的第一初始化分子子集；
分子筛选单元，用于获取所述第一初始化分子子集中至少一个初始化分子的物理信息，并基于所述物理信息，对所述至少一个初始化分子进行筛选，得到筛选后的分子集合；
评估值获取单元，用于获取所述筛选后的分子集合中至少一个分子的生化实验评估值；
集合获取单元，用于基于所述至少一个分子的生化实验评估值，得到目标分子集合。
9.根据权利要求8所述的装置，其中，所述子集获取单元包括集合筛选子单元和子集筛选子单元，所述子集获取单元用于通过预筛选模型获取初始化分子集合中的第一初始化分子子集时：
所述集合筛选子单元，用于采用遗传算法，对所述初始化分子集合进行筛选，得到第二初始化分子子集；
所述子集筛选子单元，用于通过预筛选模型，对所述第二初始化分子子集中的至少一个初始化分子进行筛选，得到第一初始化分子子集。
10.根据权利要求9所述的装置，其中，所述子集筛选子单元，用于通过预筛选模型，对所述第二初始化分子子集中的至少一个初始化分子进行筛选，得到第一初始化分子子集时，具体用于：
获取所述预筛选模型对应的选择策略，所述选择策略包括分子评分和空间多样性条件；
获取所述第二初始化分子子集中满足所述选择策略的至少一个初始化分子，得到第一初始化分子子集。
11.根据权利要求8所述的装置，其中，所述集合获取单元包括子集重获子单元和步骤停止子单元，所述集合获取单元用于基于所述至少一个分子的生化实验评估值，得到目标分子集合时：
所述子集重获子单元，用于重新获取第三初始化分子子集，并将所述第三初始化分子子集作为所述第一初始化分子子集，并重新执行获取所述筛选后的分子集合中至少一个分子的生化实验评估值的步骤；
所述步骤停止子单元，用于若所述筛选后的分子集合中各分子的对应的生化实验评估值的变化量小于变化量阈值，则停止执行获取第三初始化分子子集的步骤。
12.根据权利要求8所述的装置，其中，所述装置还包括种子获取单元和集合生成单元，用于在所述通过预筛选模型获取初始化分子集合中的初始化分子子集之前：
所述种子获取单元，用于通过神经网络模型，采样获取到至少一个初始化种子；
所述集合生成单元，用于通过生成模型，获取所述至少一个初始化种子对应的初始化分子集合。
13.根据权利要求12所述的装置，其中，所述种子获取单元，用于通过神经网络模型，采样获取到至少一个初始化种子时，具体用于：
采用神经网络模型，从初始化的模型隐空间中采样得到至少一个初始化种子；
或者
采用所述神经网络模型，从已生成的空间中采样得到所述至少一个初始化种子。
14.根据权利要求8所述的装置，其中，所述装置还包括模型训练单元，用于在所述基于所述至少一个分子的生化实验评估值，得到目标分子集合之后：
获取所述目标分子集合中至少一个目标分子对应的属性信息和验证信息；
基于所述至少一个目标分子对应的所述属性信息和所述验证信息，对所述预筛选模型进行训练，得到训练后的预筛选模型。
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所述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。
CN202111647796.6A 2021-12-29 2021-12-29 分子集合生成方法及装置、终端和存储介质 Pending CN114429797A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202111647796.6A CN114429797A (zh) 2021-12-29 2021-12-29 分子集合生成方法及装置、终端和存储介质
US17/936,422 US20230019202A1 (en) 2021-12-29 2022-09-29 Method and electronic device for generating molecule set, and storage medium thereof
JP2022180670A JP7451653B2 (ja) 2021-12-29 2022-11-11 分子セット生成方法及び装置、端末及び記憶媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111647796.6A CN114429797A (zh) 2021-12-29 2021-12-29 分子集合生成方法及装置、终端和存储介质

Publications (1)

Publication Number Publication Date
CN114429797A true CN114429797A (zh) 2022-05-03

Family

ID=81311898

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111647796.6A Pending CN114429797A (zh) 2021-12-29 2021-12-29 分子集合生成方法及装置、终端和存储介质

Country Status (3)

Country Link
US (1) US20230019202A1 (zh)
JP (1) JP7451653B2 (zh)
CN (1) CN114429797A (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11710543B2 (en) * 2017-10-19 2023-07-25 Schrödinger, Inc. Methods for predicting an active set of compounds having alternative cores, and drug discovery methods involving the same
US20210098084A1 (en) * 2019-09-30 2021-04-01 Nissan North America, Inc. Method and System for Material Screening
KR20220153000A (ko) * 2020-01-14 2022-11-17 플래그쉽 파이어니어링 이노베이션스 브이아이, 엘엘씨 분자 설계
WO2021207160A1 (en) * 2020-04-10 2021-10-14 Genentech, Inc. Use of genetic algorithms to determine a model to identity sample properties based on raman spectra

Also Published As

Publication number Publication date
JP7451653B2 (ja) 2024-03-18
JP2023022074A (ja) 2023-02-14
US20230019202A1 (en) 2023-01-19

Similar Documents

Publication Publication Date Title
US20180276553A1 (en) System for querying models
CN110992169A (zh) 一种风险评估方法、装置、服务器及存储介质
CN112148987A (zh) 基于目标对象活跃度的消息推送方法及相关设备
CN110390408A (zh) 交易对象预测方法和装置
CN107392259B (zh) 构建不均衡样本分类模型的方法和装置
CN113409898B (zh) 分子结构获取方法、装置、电子设备及存储介质
CN112785005A (zh) 多目标任务的辅助决策方法、装置、计算机设备及介质
CN112017062B (zh) 基于客群细分的资源额度分配方法、装置及电子设备
CN114065864A (zh) 联邦学习方法、联邦学习装置、电子设备以及存储介质
CN113159934A (zh) 一种网点客流量的预测方法、系统、电子设备及存储介质
CN113112311B (zh) 训练因果推断模型的方法、信息提示方法以装置
CN113568739B (zh) 用户资源额度分配方法、装置及电子设备
CN114429797A (zh) 分子集合生成方法及装置、终端和存储介质
CN113298645B (zh) 资源额度调整方法、装置及电子设备
CN115203564A (zh) 信息流推荐方法、装置及计算机程序产品
CN114021642A (zh) 数据处理方法、装置、电子设备和存储介质
CN114037060A (zh) 预训练模型的生成方法、装置、电子设备以及存储介质
CN113361621A (zh) 用于训练模型的方法和装置
CN113408632A (zh) 提高图像分类准确性的方法、装置、电子设备及存储介质
CN111582648A (zh) 用户策略生成方法、装置及电子设备
CN109218411A (zh) 数据处理方法及装置、计算机可读存储介质、电子设备
CN113240304B (zh) 特征构建方法、装置、设备以及存储介质
US20240037410A1 (en) Method for model aggregation in federated learning, server, device, and storage medium
CN114691983A (zh) 信息推荐方法、信息推荐模型训练方法、装置及电子设备
CN116109394A (zh) 团伙挖掘方法、装置、电子设备及计算机可读存储介质

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