CN114937478A - 用于训练模型的方法、用于生成分子的方法和装置 - Google Patents

Abstract

本公开提供了用于训练模型的方法、用于生成分子的方法和装置，涉及计算机技术领域，具体为人工智能技术领域。具体实现方案为：获取第一分子样本和第二分子样本；基于第一分子样本和第二分子样本，确定分子差异信息；基于分子差异信息，对初始编码模块和初始生成模块进行训练，得到目标编码模块和目标生成模块；基于目标编码模块和目标生成模块，确定分子生成模型。本实现方式可以提高分子生成的精准度。

Description

用于训练模型的方法、用于生成分子的方法和装置

技术领域

本公开涉及计算机技术领域，具体为人工智能技术领域。

背景技术

目前，在药物设计的场景中，需要从规模庞大的化学空间中确定具有特定性质的分子。

对此，现在经常基于虚拟筛选技术，确定具有特定性质的分子。然而，虚拟筛选技术只能从现有分子结构中确定分子，不能生成新的分子结构，从而使得基于虚拟筛选技术确定出的分子精准度较差。

发明内容

本公开提供了一种用于训练模型的方法、用于生成分子的方法和装置。

根据本公开的一方面，提供了一种用于训练模型的方法，包括：获取第一分子样本和第二分子样本；基于第一分子样本和第二分子样本，确定分子差异信息；基于分子差异信息，对初始编码模块和初始生成模块进行训练，得到目标编码模块和目标生成模块；基于目标编码模块和目标生成模块，确定分子生成模型。

根据本公开的另一方面，提供了一种用于生成分子的方法，包括：获取待优化分子；确定待优化分子的优化目标；基于待优化分子、优化目标以及上述用于训练模型的方法训练得到的分子生成模型，生成待优化分子对应的优化后分子。

根据本公开的另一方面，提供了一种用于训练模型的装置，包括：样本获取单元，被配置成获取第一分子样本和第二分子样本；差异确定单元，被配置成基于第一分子样本和第二分子样本，确定分子差异信息；模块训练单元，被配置成基于分子差异信息，对初始编码模块和初始生成模块进行训练，得到目标编码模块和目标生成模块；模型确定单元，被配置成基于目标编码模块和目标生成模块，确定分子生成模型。

根据本公开的另一方面，提供了一种用于生成分子的装置，包括：分子获取单元，被配置成获取待优化分子；目标确定单元，被配置成确定待优化分子的优化目标；分子生成单元，被配置成基于待优化分子、优化目标以及上述的用于训练模型的方法训练得到的分子生成模型，生成待优化分子对应的优化后分子。

根据本公开的另一方面，提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上任意一项用于训练模型的方法或者用于生成分子的方法。

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，计算机指令用于使计算机执行如上任意一项用于训练模型的方法或者用于生成分子的方法。

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，计算机程序在被处理器执行时实现如上任意一项用于训练模型的方法或者用于生成分子的方法。

根据本公开的技术，提供一种用于训练模型的方法或者用于生成分子的方法，能够提高分子生成的精准度。

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是本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的用于训练模型的方法的一个实施例的流程图；

图3是根据本公开的用于训练模型的方法的一个应用场景的示意图；

图4是根据本公开的用于训练模型的方法的另一个实施例的流程图；

图5是根据本公开的用于生成分子的方法的一个实施例的流程图；

图6是根据本公开的用于训练模型的装置的一个实施例的结构示意图；

图7是根据本公开的用于生成分子的装置的一个实施例的结构示意图；

图8是用来实现本公开实施例的用于训练模型的方法或者用于生成分子的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。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103中可以获取第一分子样本和第二分子样本，并将第一分子样本和第二分子样本通过网络104发送给服务器105，以使服务器105基于第一分子样本和第二分子样本作为训练样本，训练得到分子生成模型。之后，终端设备101、102、103可以获取分子生成模型，基于分子生成模型，确定待优化分子对应的优化后分子。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于手机、电脑、平板等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如，服务器105可以接收终端设备101、102、103通过网络104发送的第一分子样本和第二分子样本，并基于第一分子样本和第二分子样本，确定分子差异信息。以及，基于分子差异信息，对初始编码模块和初始生成模块进行训练，得到目标编码模块和目标生成模块。以及，基于目标编码模块和目标生成模块确定分子生成模型。之后，服务器105可以通过网络104将分子生成模型发送给终端设备101、102、103，以使终端设备101、102、103通过分子生成模型生成待优化分子的优化后分子。

需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本公开实施例所提供的用于训练模型的方法或者用于生成分子的方法可以由终端设备101、102、103执行，也可以由服务器105执行，用于训练模型的装置或者用于生成分子的装置可以设置于终端设备101、102、103，也可以设置于服务器105中，本公开实施例对此不做限定。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本公开的用于训练模型的方法的一个实施例的流程200。本实施例的用于训练模型的方法，包括以下步骤：

步骤201，获取第一分子样本和第二分子样本。

在本实施例中，执行主体(如图1中的服务器105或者终端设备101、102、103)可以从本地存储或者预先建立连接的电子设备中获取第一分子样本和第二分子样本。第一分子样本和第二分子样本的数量可以为至少一个，并且，每个第一分子样本与该第一分子样本对应的第二分子样本可以构成具有对应关系的分子样本组。

其中，第一分子样本可以为需要进行优化的分子样本，第二分子样本可以为与该第一分子样本相对应的、进行优化后的分子样本。分子指的是由组成的原子按照一定的键合顺序和空间排列而结合在一起的整体。

步骤202，基于第一分子样本和第二分子样本，确定分子差异信息。

在本实施例中，执行主体可以将第一分子样本和第二分子样本输入初始编码模块，得到初始编码模块输出的分子差异信息。或者，执行主体也可以基于对第一分子样本和第二分子样本的分子性质进行分析，得到分子差异信息。其中，分子差异信息可以用于描述第一分子样本和第二分子样本之间分子性质的差异，例如，分子差异信息可以为具有特定分子属性，如具有亲油性质、具有亲水性质、具有与靶标的亲和力等，本实施例对此不做限定。优选的，分子差异信息的表现形式可以为向量。

步骤203，基于分子差异信息，对初始编码模块和初始生成模块进行训练，得到目标编码模块和目标生成模块。

在本实施例中，初始编码模块可以用于确定最优分子差异信息，初始生成模块可以用于基于第一分子样本和最优分子差异信息，生成第二分子样本。其中，初始编码模块可以采用MLP(Multilayer Perceptron，多层感知器)、Transformer模型(一种利用注意力机制来提高模型训练速度的模型)中的Encoder(编码器)模块等。初始生成模块可以采用各类符合Encoder-Decoder(编码器-解码器)架构的模型，如Transformer模型。例如，初始生成模块可以包括Transformer模型中的Encoder模块和Decoder模块。

并且，执行主体在获取第一分子样本和第二分子样本之间的分子差异信息之后，可以利用分子差异信息，对初始编码模块和初始生成模块进行并行训练。也可以利用分子差异信息，对初始编码模块和初始生成模块进行异步训练。优选采用并行训练的方式，对初始编码模块和初始生成模块进行训练，得到目标编码模块和目标生成模块。采用并行训练的方式能够提高模块训练效率，并且在训练过程中可以考虑到初始编码模块和初始生成模块之间的相互影响，提高了模块训练的精准度。

在本实施例的一些可选的实现方式中，基于分子差异信息，对初始编码模块和初始生成模块进行训练，得到目标编码模块和目标生成模块可以包括：响应于确定初始编码模块和初始生成模块进行训练的方式为并行训练，基于预先设置的差异目标，对初始编码模块进行迭代优化，得到迭代优化后的初始编码模块输出的、优化后的分子差异信息；基于每次迭代优化所获取的优化后的分子差异信息，对初始生成模块进行迭代优化；响应于确定初始编码模块输出的、优化后的分子差异信息和差异目标之间的差异满足预设的差异条件，将此时的初始编码模块确定为目标编码模块；响应于确定初始生成模块基于第一分子样本输出的分子与第二分子样本之间的差异小于预设的差异阈值，将此时的初始生成模块确定为目标生成模块。优选的，执行主体还可以调整对初始生成模块的训练步数以及对初始编码模块的训练步数，用以实现同步并行训练，提高训练效果。

步骤204，基于目标编码模块和目标生成模块，确定分子生成模型。

在本实施例中，执行主体可以将目标编码模块和目标生成模块组合，得到分子生成模型。其中，分子生成模型能够根据输入的待优化分子和优化目标，迭代确定符合该优化目标的最优分子差异信息，并基于最优分子差异信息和待优化分子，生成优化后分子。

继续参见图3，其示出了根据本公开的用于训练模型的方法的一个应用场景的示意图。在图3的应用场景中，执行主体可以获取第一分子样本301和第二分子样本302。之后，执行主体可以将第一分子样本301和第二分子样本302输入编码模块303，得到编码模块303输出的分子差异信息304。之后，执行主体可以将分子差异信息304输入回归模型305，以使回归模型305将分子差异信息304和预先设置的差异目标306进行比对，得到针对分子差异信息304的差异评估结果。响应于确定差异评估结果不满足差异条件，对编码模块303进行迭代优化，得到编码模块303迭代优化后重新确定的分子差异信息304。执行主体可以重复上述步骤，继续将分子差异信息304输入回归模块305，对编码模块303进行迭代优化，直至得到训练完成的编码模块303。同时，在对编码模块303进行训练的过程中，执行主体可以获取每次迭代生成的分子差异信息304，基于分子差异信息304对生成模块进行训练。其中，生成模块可以包括编码器307和解码器308。执行主体可以将第一分子样本301输入编码器307，得到针对第一分子样本301的编码结果。再将该编码结果分别和每次迭代生成的分子差异信息304输入解码器308，得到解码器308输出的分子。执行主体可以基于解码器308输出的分子和第二分子样本之间的差异，对生成模块进行训练，以使生成模块所输出的分子更加接近第二分子样本302。

本公开上述实施例提供的用于训练模型的方法，通过第一分子样本和第二分子样本之间的分子差异信息，对初始编码模块和初始生成模块进行训练，得到目标编码模块和目标生成模块，从而得到分子生成模型。采用这种模型训练方式得到的分子生成模型，能够基于分子差异信息生成具有特定性质的分子，从而能够提高分子生成的精准度。

继续参见图4，其示出了根据本公开的用于训练模型的方法的另一个实施例的流程400。如图4所示，本实施例的用于训练模型的方法可以包括以下步骤：

步骤401，获取第一分子样本和第二分子样本。

在本实施例中，对于步骤401的详细描述，请一并参照对于步骤201的详细描述，在此不再赘述。

步骤402，基于第一分子样本、第二分子样本和初始编码模块，确定分子差异信息。

在本实施例中，执行主体可以将第一分子样本和第二分子样本输入初始编码模块，以使初始编码模块对第一分子样本和第二分子样本进行编码，得到分子差异信息。

其中，对于步骤402的详细描述，请一并参照对于步骤202的详细描述，在此不再赘述。

步骤403，获取预设的差异训练目标。

在本实施例中，预设的差异训练目标可以根据不同的训练需求确定，例如，在训练需求为分子生成模型能够生成具有特定属性的分子的情况下，执行主体可以预先设置差异训练目标为具有特定属性。

步骤404，基于分子差异信息和差异训练目标，对初始编码模块进行训练，得到目标编码模块。

在本实施例中，执行主体在得到分子差异信息之后，可以将分子差异信息和差异训练目标进行对比。在分子差异信息与差异训练目标之间的差异较大的情况下，可以调整初始编码模块的模块参数，以基于调整参数后的初始编码模块重新确定分子差异信息，直至重新确定的分子差异信息与差异训练目标之间的差异小于预设的差异阈值，将此时的初始编码模块确定为目标编码模块。

在本实施例的一些可选的实现方式中，基于分子差异信息和差异训练目标，对初始编码模块进行训练，得到目标编码模块可以包括：基于分子差异信息和差异训练目标，确定分子差异信息对应的差异评估结果；响应于确定差异评估结果满足预设的差异条件，将初始编码模块确定为目标编码模块。

在本实现方式中，执行主体可以利用评估模型，对分子差异信息和差异训练目标，生成相对应的差异评估结果。其中，评估模型可以为任意可微分的回归模型。差异评估结果可以用于描述分子差异信息和差异训练目标之间的差异情况，预设的差异条件可以为差异评估结果指示分子差异信息和差异训练目标之间的差异较小，如分子差异信息和差异训练目标之间的差异小于预设的差异阈值。

可选的，在对初始编码模块进行训练的过程中，可以约束分子差异信息服从特定分布，便于模型计算。特定分布可以为任意容易采样的分布。例如，特定分布可以为标准正态分布。

在本实施例的另一些可选的实现方式中，还包括：响应于确定差异评估结果不满足差异条件，迭代调整初始编码模块的参数，以对分子差异信息进行更新，直至更新后的差异评估结果满足差异条件。

在本实现方式中，执行主体可以响应于确定差异评估结果不满足差异条件，确定分子差异信息与差异训练目标之间的差异较大，此时的分子差异信息不能较好的反映第一分子样本和第二分子样本之间的属性差异。此时，执行主体可以迭代调整初始编码模块的参数，以得到调整参数后的初始编码模块，并基于调整参数后的初始编码模块重新确定分子差异信息，直至重新确定后的分子差异信息对应的差异评估结果满足上述差异条件，得到目标编码模块。

步骤405，基于分子差异信息，对初始生成模块进行训练，得到目标生成模块。

在本实施例中，执行主体可以在初始编码模块进行训练的过程中，每次获取到分子差异信息之后，将该分子差异信息传输给初始生成模块，以对初始生成模块进行训练，得到目标生成模块。或者，执行主体也可以先对初始编码模块进行训练，得到目标编码模块。在得到目标编码模块之后，将统计的各个分子差异信息传输给初始生成模块，以对初始生成模块进行训练。

在本实施例的一些可选的实现方式中，基于分子差异信息，对初始生成模块进行训练，得到目标生成模块，包括：获取分子差异信息；在初始编码模块进行训练的过程中，确定对分子差异信息的更新信息；基于第一分子样本、分子差异信息和更新信息，确定初始生成模块输出的第三分子样本；基于第三分子样本和第二分子样本，对初始生成模块进行训练，得到目标生成模块。

在本实现方式中，执行主体可以先获取初始的分子差异信息，之后，在初始编码模块进行训练的过程中，每次调整初始编码模块的模块参数之后，确定调整模块参数后的初始编码模块重新确定的分子差异信息。其中，更新信息可以为每次迭代调整初始编码模块的模块参数时，对分子差异信息的更新情况，基于更新信息可以确定每次更新后的分子差异信息。

并且，执行主体可以基于分子差异信息和更新信息，确定每次进行模块训练的目标分子差异信息。之后，将第一分子样本和目标分子差异信息输入初始生成模块，得到初始生成模块输出的第三分子样本。之后，执行主体可以将第二分子样本和第三分子样本进行对比，基于第二分子样本和第三分子样本之间的差异构建损失函数。并基于该损失函数对初始生成模块进行训练，直至第二分子样本和第三分子样本之间的差异小于预设的差异值，得到目标生成模块。

可选的，生成模块可以包括编码器和解码器。在将第一分子样本和目标分子差异信息输入初始生成模块的情况下，具体可以将第一分子样本输入编码器，以使编码器对第一分子样本进行编码，得到第一分子样本的编码结果。再将该编码结果和目标分子差异信息进行特征融合，将特征融合后的分子编码结果，输入解码器，得到解码器输出的第三分子样本。

步骤406，基于目标编码模块和目标生成模块，确定分子生成模型。

在本实施例中，对于步骤406的详细描述，请参照对于步骤204的详细描述，在此不再赘述。

本公开上述实施例提供的用于训练模型的方法，还可以预先设置不同的差异训练目标优化分子差异信息，使得训练得到的分子生成模型能够适应各类真实场景的分子生成需求。以及，分子生成模型中的生成模块可以不设置隐空间，降低数据压缩导致的数据损失。以及，分子差异信息可以在解码器前引入，无需先编码再解码，进一步提高了数据精准度。

继续参考图5，示出了根据本公开的用于生成分子的方法的一个实施例的流程500。本实施例的用于生成分子的方法，包括以下步骤：

步骤501，获取待优化分子。

在本实施例中，待优化分子可以为分子骨架，也可以为完整的分子结构，本实施例对此不做限定。

步骤502，确定待优化分子的优化目标。

在本实施例中，执行主体可以基于与用户之间的人机交互操作，确定针对待优化分子的优化目标。其中，优化目标可以为具有特定分子属性。

步骤503，基于待优化分子、优化目标以及上述的用于训练模型的方法训练得到的分子生成模型，生成待优化分子对应的优化后分子。

在本实施例中，执行主体可以将待优化分子和优化目标输入上述分子生成模型，得到上述分子生成模型输出的优化后分子。

在本实施例的一些可选的实现方式中，基于待优化分子、优化目标以及上述的用于训练模型的方法训练得到的分子生成模型，生成待优化分子对应的优化后分子可以包括：基于待优化分子、优化目标以及分子生成模型中的目标编码模块，确定目标分子差异信息；基于待优化分子、目标分子差异信息以及分子生成模型中的目标生成模块，生成优化后分子。

在本实现方式中，执行主体可以先通过目标编码模块，从服从特定分布的分子差异信息中，随机选取针对待优化分子的初始分子差异信息。之后，基于初始分子差异信息与优化目标之间的差异，迭代调整初始分子差异信息，得到目标分子差异信息，将目标分子差异信息作为最优分子差异信息。之后，通过目标生成模块，基于待优化分子和最优分子差异信息，生成优化后分子。

在本实施例的另一些可选的实现方式中，基于待优化分子、优化目标以及分子生成模型中的目标编码模块，确定目标分子差异信息，包括：基于目标编码模块，确定待优化分子对应的初始分子差异信息；基于优化目标，对初始分子差异信息进行迭代调整，得到目标差异信息。

在本实现方式中，执行主体可以将待优化分子输入目标编码模块，得到目标编码模块输出的初始分子差异信息。之后，执行主体可以将初始分子差异信息输入评估模型，以使评估模型基于优化目标和初始分子差异信息之间的差异，确定初始分子差异信息对应的差异评估结果。之后，执行主体可以基于差异评估结果，对初始分子差异信息进行迭代调整，直至调整后的初始分子差异信息对应的差异评估结果满足预设的差异条件，将此时的初始分子差异信息，确定为上述目标差异信息。

本公开上述实施例提供的用于生成分子的方法，可以利用上述分子生成模型，生成与待优化分子相对应的优化后分子，使得生成的优化后分子具有特定性质，提高了分子生成的精准度。

进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种用于训练模型的装置的一个实施例，该装置实施例与图6所示的方法实施例相对应，该装置具体可以应用于终端设备、服务器等电子设备中。

如图6所示，本实施例的用于训练模型的装置600包括：样本获取单元601、差异确定单元602、模块训练单元603以及模型确定单元604。

样本获取单元601，被配置成获取第一分子样本和第二分子样本。

差异确定单元602，被配置成基于第一分子样本和第二分子样本，确定分子差异信息。

模块训练单元603，被配置成基于分子差异信息，对初始编码模块和初始生成模块进行训练，得到目标编码模块和目标生成模块。

模型确定单元604，被配置成基于目标编码模块和目标生成模块，确定分子生成模型。

在本实施例的一些可选的实现方式中，模块训练单元603进一步被配置成：获取预设的差异训练目标；基于分子差异信息和差异训练目标，对初始编码模块进行训练，得到目标编码模块；基于分子差异信息，对初始生成模块进行训练，得到目标生成模块。

在本实施例的一些可选的实现方式中，模块训练单元603进一步被配置成：基于分子差异信息和差异训练目标，确定分子差异信息对应的差异评估结果；响应于确定差异评估结果满足预设的差异条件，将初始编码模块确定为目标编码模块。

在本实施例的一些可选的实现方式中，模块训练单元603进一步被配置成：响应于确定差异评估结果不满足差异条件，迭代调整初始编码模块的参数，以对分子差异信息进行更新，直至更新后的差异评估结果满足差异条件。

在本实施例的一些可选的实现方式中，差异确定单元602进一步被配置成：基于第一分子样本、第二分子样本和初始编码模块，确定分子差异信息。

应当理解，用于训练模型的装置600中记载的单元601至单元604分别与参考图2中描述的方法中的各个步骤相对应。由此，上文针对用于训练模型的方法描述的操作和特征同样适用于装置600及其中包含的单元，在此不再赘述。

进一步参考图7，作为对上述各图所示方法的实现，本公开提供了一种用于生成分子的装置的一个实施例，该装置实施例与图5所示的方法实施例相对应，该装置具体可以应用于终端设备、服务器等电子设备中。

如图7所示，本实施例的用于生成分子的装置700包括：分子获取单元701、目标确定单元702和分子生成单元703。

分子获取单元701，被配置成获取待优化分子。

目标确定单元702，被配置成确定待优化分子的优化目标。

分子生成单元703，被配置成基于待优化分子、优化目标以及上述用于训练模型的方法训练得到的分子生成模型，生成待优化分子对应的优化后分子。

在本实施例的一些可选的实现方式中，分子生成单元703进一步被配置成：基于待优化分子、优化目标以及分子生成模型中的目标编码模块，确定目标分子差异信息；基于待优化分子、目标分子差异信息以及分子生成模型中的目标生成模块，生成优化后分子。

在本实施例的一些可选的实现方式中，分子生成单元703进一步被配置成：基于目标编码模块，确定待优化分子对应的初始分子差异信息；基于优化目标，对初始分子差异信息进行迭代调整，得到目标差异信息。

应当理解，用于生成分子的装置700中记载的单元701至单元703分别与参考图5中描述的方法中的各个步骤相对应。由此，上文针对用于生成分子的方法描述的操作和特征同样适用于装置700及其中包含的单元，在此不再赘述。

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8示出了可以用来实施本公开的实施例的示例电子设备800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8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800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801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801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801执行上文所描述的各个方法和处理，例如用于训练模型的方法或者用于生成分子的方法。例如，在一些实施例中，用于训练模型的方法或者用于生成分子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808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的用于训练模型的方法或者用于生成分子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801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行用于训练模型的方法或者用于生成分子的方法。

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，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 (21)

1.一种用于训练模型的方法，包括：

获取第一分子样本和第二分子样本；

基于所述第一分子样本和所述第二分子样本，确定分子差异信息；

基于所述分子差异信息，对初始编码模块和初始生成模块进行训练，得到目标编码模块和目标生成模块；

基于所述目标编码模块和所述目标生成模块，确定分子生成模型。

2.根据权利要求1所述的方法，其中，所述基于所述分子差异信息，对初始编码模块和初始生成模块进行训练，得到目标编码模块和目标生成模块，包括：

获取预设的差异训练目标；

基于所述分子差异信息和所述差异训练目标，对所述初始编码模块进行训练，得到所述目标编码模块；

基于所述分子差异信息，对所述初始生成模块进行训练，得到所述目标生成模块。

3.根据权利要求2所述的方法，其中，所述基于所述分子差异信息和所述差异训练目标，对所述初始编码模块进行训练，得到所述目标编码模块，包括：

基于所述分子差异信息和所述差异训练目标，确定所述分子差异信息对应的差异评估结果；

响应于确定所述差异评估结果满足预设的差异条件，将所述初始编码模块确定为所述目标编码模块。

4.根据权利要求3所述的方法，还包括：

响应于确定所述差异评估结果不满足所述差异条件，迭代调整所述初始编码模块的参数，以对所述分子差异信息进行更新，直至更新后的所述差异评估结果满足所述差异条件。

5.根据权利要求2所述的方法，其中，所述基于所述分子差异信息，对所述初始生成模块进行训练，得到所述目标生成模块，包括：

获取所述分子差异信息；

在所述初始编码模块进行训练的过程中，确定对所述分子差异信息的更新信息；

基于所述第一分子样本、所述分子差异信息和所述更新信息，确定所述初始生成模块输出的第三分子样本；

基于所述第三分子样本和所述第二分子样本，对所述初始生成模块进行训练，得到所述目标生成模块。

6.根据权利要求1所述的方法，其中，所述基于所述第一分子样本和所述第二分子样本，确定分子差异信息，包括：

基于所述第一分子样本、所述第二分子样本和所述初始编码模块，确定所述分子差异信息。

7.一种用于生成分子的方法，包括：

获取待优化分子；

确定所述待优化分子的优化目标；

基于所述待优化分子、所述优化目标以及如权利要求1至6任一项所述的用于训练模型的方法训练得到的分子生成模型，生成所述待优化分子对应的优化后分子。

8.根据权利要求7所述的方法，其中，所述基于所述待优化分子、所述优化目标以及如权利要求1至6任一项所述的用于训练模型的方法训练得到的分子生成模型，生成所述待优化分子对应的优化后分子，包括：

基于所述待优化分子、所述优化目标以及所述分子生成模型中的目标编码模块，确定目标分子差异信息；

基于所述待优化分子、所述目标分子差异信息以及所述分子生成模型中的目标生成模块，生成所述优化后分子。

9.根据权利要求8所述的方法，其中，所述基于所述待优化分子、所述优化目标以及所述分子生成模型中的目标编码模块，确定目标分子差异信息，包括：

基于所述目标编码模块，确定所述待优化分子对应的初始分子差异信息；

基于所述优化目标，对所述初始分子差异信息进行迭代调整，得到所述目标差异信息。

10.一种用于训练模型的装置，包括：

样本获取单元，被配置成获取第一分子样本和第二分子样本；

差异确定单元，被配置成基于所述第一分子样本和所述第二分子样本，确定分子差异信息；

模块训练单元，被配置成基于所述分子差异信息，对初始编码模块和初始生成模块进行训练，得到目标编码模块和目标生成模块；

模型确定单元，被配置成基于所述目标编码模块和所述目标生成模块，确定分子生成模型。

11.根据权利要求10所述的装置，其中，所述模块训练单元进一步被配置成：

获取预设的差异训练目标；

基于所述分子差异信息和所述差异训练目标，对所述初始编码模块进行训练，得到所述目标编码模块；

基于所述分子差异信息，对所述初始生成模块进行训练，得到所述目标生成模块。

12.根据权利要求11所述的装置，其中，所述模块训练单元进一步被配置成：

基于所述分子差异信息和所述差异训练目标，确定所述分子差异信息对应的差异评估结果；

响应于确定所述差异评估结果满足预设的差异条件，将所述初始编码模块确定为所述目标编码模块。

13.根据权利要求12所述的装置，其中，所述模块训练单元进一步被配置成：

响应于确定所述差异评估结果不满足所述差异条件，迭代调整所述初始编码模块的参数，以对所述分子差异信息进行更新，直至更新后的所述差异评估结果满足所述差异条件。

14.根据权利要求11所述的装置，其中，所述模块训练单元进一步被配置成：

获取所述分子差异信息；

在所述初始编码模块进行训练的过程中，确定对所述分子差异信息的更新信息；

基于所述第一分子样本、所述分子差异信息和所述更新信息，确定所述初始生成模块输出的第三分子样本；

基于所述第三分子样本和所述第二分子样本，对所述初始生成模块进行训练，得到所述目标生成模块。

15.根据权利要求10所述的装置，其中，所述差异确定单元进一步被配置成：

基于所述第一分子样本、所述第二分子样本和所述初始编码模块，确定所述分子差异信息。

16.一种用于生成分子的装置，包括：

分子获取单元，被配置成获取待优化分子；

目标确定单元，被配置成确定所述待优化分子的优化目标；

分子生成单元，被配置成基于所述待优化分子、所述优化目标以及如权利要求1至6任一项所述的用于训练模型的方法训练得到的分子生成模型，生成所述待优化分子对应的优化后分子。

17.根据权利要求16所述的装置，其中，所述分子生成单元进一步被配置成：

基于所述待优化分子、所述优化目标以及所述分子生成模型中的目标编码模块，确定目标分子差异信息；

基于所述待优化分子、所述目标分子差异信息以及所述分子生成模型中的目标生成模块，生成所述优化后分子。

18.根据权利要求17所述的装置，其中，所述分子生成单元进一步被配置成：

基于所述目标编码模块，确定所述待优化分子对应的初始分子差异信息；

基于所述优化目标，对所述初始分子差异信息进行迭代调整，得到所述目标差异信息。

19.一种电子设备，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1-9中任一项所述的方法。

20.一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1-9中任一项所述的方法。

21.一种计算机程序产品，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1-9中任一项所述的方法。

Images