CN117612633B - 一种药物分子性质预测方法 - Google Patents

一种药物分子性质预测方法 Download PDF

Info

Publication number
CN117612633B
CN117612633B CN202410092983.XA CN202410092983A CN117612633B CN 117612633 B CN117612633 B CN 117612633B CN 202410092983 A CN202410092983 A CN 202410092983A CN 117612633 B CN117612633 B CN 117612633B
Authority
CN
China
Prior art keywords
drug
quantum
molecular
medicine
layer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202410092983.XA
Other languages
English (en)
Other versions
CN117612633A (zh
Inventor
梅浩
王青春
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.)
Institute of Artificial Intelligence of Hefei Comprehensive National Science Center
Original Assignee
Institute of Artificial Intelligence of Hefei Comprehensive National Science Center
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 Institute of Artificial Intelligence of Hefei Comprehensive National Science Center filed Critical Institute of Artificial Intelligence of Hefei Comprehensive National Science Center
Priority to CN202410092983.XA priority Critical patent/CN117612633B/zh
Publication of CN117612633A publication Critical patent/CN117612633A/zh
Application granted granted Critical
Publication of CN117612633B publication Critical patent/CN117612633B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
    • G06N10/20—Models of quantum computing, e.g. quantum circuits or universal quantum computers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
    • G06N10/60—Quantum algorithms, e.g. based on quantum optimisation, quantum Fourier or Hadamard transforms
    • 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
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/086—Learning methods using 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Computational Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及人工智能领域，具体涉及一种药物分子性质预测方法，该方法包括以图神经网络作为主干模型构建药物分子性质预测模型，以变分量子线路作为药物分子性质预测模型的编码层；利用变分量子线路，将原子节点的特征映射到高维的希尔伯特空间中；通过卷积和池化操作处理这些映射后的数据，从而提取出药物分子的全局特性；通过结合粒子群的全局搜索能力和局部搜索能力，优化药物分子性质预测模型的参数，得到优化过的药物分子性质预测模型，并基于优化过的药物分子性质预测模型预测待预测药物分子的性质。本发明通过粒子群的全局搜索能力和局部搜索能力的结合，能够在一定程度上避免陷入局部最优，从而提高药物分子性质预测模型的性能。

Description

一种药物分子性质预测方法
技术领域
本发明涉及人工智能领域，具体涉及一种药物分子性质预测方法。
背景技术
药物分子性质预测是药物发现过程中的重要步骤，它涉及到预测分子的各种化学和物理性质，如溶解度、稳定性、亲水性和生物活性等。这些性质预测的准确性往往直接影响到药物设计的有效性和效率。例如，预测药物分子在体内的溶解度和生物活性，可以帮助研究人员早期筛选出有可能成为有效药物的候选分子，从而极大地节省研发资源和时间。因此，药物分子性质预测对于新药的研发具有重要的意义。
在现有的药物分子性质预测方法中，一种常见的做法是利用图神经网络来处理和理解药物分子结构。这种方法首先将药物分子视为图，其中原子作为节点，化学键作为边，得到药物分子图。然后，利用图神经网络通过一系列的操作来处理药物分子图。具体来说，先将原子节点的特征映射到一个高维空间，以便图神经网络能够更好地理解和处理原子节点的特征；之后图神经网络进行一系列的卷积和池化操作，卷积操作可以帮助图神经网络识别和提取药物分子图中的局部特征，而池化操作则可以帮助图神经网络减少参数数量，防止过拟合，并提取出药物分子图的全局特征。最后，根据得到的药物分子图的全局特征，图神经网络会进行预测，输出预测的分子性质。
然而，现有的药物分子性质预测方法虽然在一定程度上提高了药物分子性质预测的准确性，但这些方法的参数优化通常依赖于传统的优化算法，例如梯度下降或者随机梯度下降等，这些算法在寻找全局最优解时可能会陷入局部最优，从而影响模型的性能。
发明内容
为解决上述问题，本发明提供一种药物分子性质预测方法。
该方法包括：
步骤一，以图神经网络作为主干模型，以变分量子线路作为编码层，构建药物分子性质预测模型，变分量子线路包括量子编码层、变分量子线路层及测量输出层；
步骤二，以待预测药物的原子作为药物分子图的节点，化学键作为药物分子图的边，制作待预测药物的药物分子图；药物分子图中第个节点为/>，/>，，/>表示药物分子图中节点的数量，/>表示药物分子图中一个节点的维度，/>表示节点/>的第/>维数据；
步骤三，利用量子编码层将节点转化为量子态节点特征；利用变分量子线路层中的受控X轴旋转门对量子态节点特征进行纠缠后，使用变分量子线路层中的X轴旋转门提取特征，得到药物分子图的旋转后的量子态节点特征；利用测量输出层对旋转后的量子态节点特征进行测量求解期望值，得到原子节点特征/>；以变分量子线路层中受控X轴旋转门中的旋转角度参数/>作为变分量子线路的待优化参数；
步骤四，使用邻接矩阵描述药物分子图，并对该邻接矩阵进行归一化处理得到归一化的分子图邻接矩阵，利用主干模型对原子节点特征/>及归一化的分子图邻接矩阵/>进行卷积、池化及预测；
步骤五，定义药物分子性质预测模型的损失函数，并基于损失函数定义目标函数/>；
步骤六，通过基于梯度的自适应量子行为粒子群优化算法对旋转角度参数及主干模型中各图卷积层的权重矩阵进行联合优化使目标函数/>的值最小，得到完成训练的药物分子性质预测模型；
步骤七，基于完成训练的药物分子性质预测模型对待预测药物进行预测得到其药物分子性质。
进一步的，步骤三中所述利用量子编码层将节点转化为量子态节点特征，具体指：
使用哈达玛门将节点的量子比特的初态/>转变为/>的叠加态，/>代表张量积操作，/>表示狄拉克符号；
以节点的各维数据/>作为控制Y轴旋转门旋转角度的参数，将Y轴旋转门作用在叠加态的量子比特上，得到药物分子图的量子态节点特征/>，/>表示Y轴旋转门。
进一步的，步骤三中所述利用变分量子线路层中的受控X轴旋转门对量子态节点特征进行纠缠后，使用变分量子线路层中的X轴旋转门提取特征，得到药物分子图的旋转后的量子态节点特征，具体指：
使用受控X轴旋转门对量子态节点特征进行纠缠；
使用X轴旋转门对完成纠缠的量子态节点特征提取特征，得到药物分子图的旋转后的量子态节点特征，/>表示X轴旋转门。
进一步的，步骤三中所述利用测量输出层对旋转后的量子态节点特征进行测量求解期望值，得到原子节点特征，具体指：
选择一个量子算符，将量子算符作用在旋转后的量子态节点特征上，并对得到的新量子态进行测量；
通过预定次数的测量并求平均来获取旋转后的量子态节点特征的期望值作为节点/>的原子节点特征/>。
进一步的，选择泡利Z算符作为量子算符。
进一步的，步骤四中所述利用主干模型对原子节点特征及归一化的分子图邻接矩阵/>进行卷积，其中主干模型第/>层图卷积层输出的卷积特征/>为：
；
；
其中，为激活函数，/>为第/>层图卷积层的权重矩阵，/>表示卷积操作。
进一步的，激活函数为修正线性单元函数。
进一步的，步骤五中所述目标函数为：
；
其中，表示由主干模型中各图卷积层的权重矩阵组成的权重矩阵集合，/>表示主干模型中图卷积层的数量，/>为第/>层图卷积层的权重矩阵。
进一步的，步骤六具体包括：
步骤六A，初始化粒子群优化方法中的参数；将每个粒子的位置初始化为代表一组旋转角度参数及权重矩阵集合/>的候选值的向量；
步骤六B，基于每个粒子对应的旋转角度参数的候选值，使用变分量子线路提取待预测药物的原子节点特征/>，以同一个粒子对应的权重矩阵集合/>的候选值作为主干模型中各图卷积层的权重矩阵，利用药物分子性质预测模型预测待预测药物的分子的性质，并计算此时的损失函数/>的值；找出使损失函数/>最小的粒子作为最优粒子，并记录最优粒子对应的旋转角度参数/>及权重矩阵集合/>的候选值；
步骤六C，每个粒子根据自身位置和最优粒子的位置，以及自身的粒子状态参数更新自身位置；
步骤六D，对当前群体历史最优位置施加随机扰动，形成新的群体历史最优位置；
步骤六E，重复执行步骤六B、步骤六C和步骤六D步骤，直到达到预设的最大迭代次数。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本发明通过基于梯度的自适应量子行为粒子群优化算法更有效地优化药物分子性质预测模型的参数。对于传统优化算法容易陷入局部最优的问题，本发明通过粒子群的全局搜索能力和局部搜索能力的结合，能够在一定程度上避免陷入局部最优，从而提高药物分子性质预测模型的性能。
附图说明
图1为本发明实施例提供的药物分子性质预测方法的流程图。
具体实施方式
以下结合附图和具体实施例，对本发明进行详细说明，在详细说明本发明各实施例的技术方案前，对所涉及的名词和术语进行解释说明，在本说明书中，名称相同或标号相同的部件代表相似或相同的结构，且仅限于示意的目的。
如图1所示，本发明的药物分子性质预测方法以图神经网络作为主干模型构建药物分子性质预测模型，以变分量子线路（VQC）作为药物分子性质预测模型的编码层。本发明将药物分子表示为药物分子图，其中原子作为药物分子图的节点即原子节点，化学键作为药物分子图的边。之后，利用变分量子线路，将原子节点的特征映射到高维的希尔伯特空间中，这种映射方式与传统的图神经网络中的图节点嵌入层有所不同，它可以更好地处理和理解分子结构。接下来，药物分子性质预测模型通过卷积和池化操作处理这些映射后的数据，从而提取出药物分子的全局特性。最后，通过结合粒子群的全局搜索能力和局部搜索能力，优化药物分子性质预测模型的参数，得到优化过的药物分子性质预测模型，并基于优化过的药物分子性质预测模型预测待预测药物分子的性质。
本发明的方法具体如下：
1.药物分子图量子特征提取
以待预测药物的原子作为药物分子图的节点，化学键作为药物分子图的边，制作待预测药物的药物分子图。药物分子图中第个节点为/>，/>，，/>表示药物分子图中节点的数量，/>表示药物分子图中一个节点的维度，/>表示节点/>的第/>维数据。制作药物的药物分子图为本领域公知常识，本发明不再赘述。
利用变分量子线路将药物分子图的节点的特征映射到高维的希尔伯特空间以提取其量子特征。将经典的图神经网络扩展到量子领域，用变分量子线路取代经典图神经网络中的节点编码单元，这将发挥特征提取和参数压缩的作用。本发明使用的变分量子线路分为三层结构：量子编码层、变分量子线路层及测量输出层。
1.1量子编码层
量子编码层用于将药物分子图数据转化为量子态。量子编码层包括哈达玛门（Hadamard Gate）和Y轴旋转门（Rotation around Y axis Gate）。
使用哈达玛门将节点的量子比特的初态/>转变为/>的叠加态，/>代表张量积操作，/>表示狄拉克符号。这个叠加态表示一个量子比特同时处于/>和/>两种状态，叠加态的量子比特可以用来编码更多的信息。
以节点的各维数据/>作为控制Y轴旋转门旋转角度的参数，将Y轴旋转门作用在叠加态的量子比特上，得到药物分子图的量子态节点特征/>，/>表示Y轴旋转门。
1.2变分量子线路层
变分量子线路层的主要任务是通过受控X轴旋转门（Controlled Rotationaround X axis Gate）和X轴旋转门（Rotation around X axis Gate门）对药物分子图的量子态节点特征进行进一步的特征提取和信息交换。
在变分量子线路层，首先使用受控X轴旋转门对量子态节点特征进行纠缠，使得变分量子线路可以学习到更有效的节点特征，受控X轴旋转门中的旋转角度参数/>即为变分量子线路的待优化参数。
之后引入X轴旋转门对完成纠缠的量子态节点特征提取特征，得到药物分子图的旋转后的量子态节点特征，/>表示X轴旋转门。
1.3测量输出层
测量输出层的主要任务是将旋转后的量子态节点特征转换为药物分子性质预测模型可以直接使用的数据。
数据转换需要选择一个适当的量子算符用于测量。本发明选择泡利Z算符，因为泡利Z算符可以提供关于量子比特状态的有用信息。将泡利Z算符作用在旋转后的量子态节点特征上，并对得到的新量子态进行测量。测量的结果是一个随机的，但是根据量子力学可知测量结果的平均值是由量子态决定的。因此，本发明通过预定次数的测量并求平均来获取旋转后的量子态节点特征/>的期望值作为节点/>的原子节点特征/>。
2.图神经网络处理
药物分子性质预测模型的主干模型为图神经网络，例如图卷积网络（GraphConvolutional Network）、图注意力网络（Graph Attention Network）、异构图神经网络（Heterogeneous Graph Neural Network）等。
使用邻接矩阵描述药物分子图，并对该邻接矩阵进行归一化处理得到归一化的分子图邻接矩阵。将药物分子图的所有原子节点特征/>拼接得到原子节点特征矩阵/>。
以归一化的分子图邻接矩阵和原子节点特征矩阵/>作为药物分子性质预测模型的图卷积层的输入。图卷积层通过原子节点特征矩阵/>和归一化的分子图邻接矩阵/>对药物分子图的节点和边的信息进行聚和、传递，最终实现节点的表征学习。药物分子性质预测模型的主干模型包括若干个图卷积层，每一层都通过聚合邻接节点的上一层的表征来生成中心节点的当前层的表征。其中第/>层图卷积层输出的卷积特征/>为：
；
；
其中，为激活函数，本发明中激活函数选用修正线性单元（ReLu）函数，/>为第/>层图卷积层的权重矩阵，/>表示卷积操作。
经过图卷积层处理后，通过图池化操作将各个节点的表征聚合成一个整体的图表征。
得到整体的图表征后，将其送入全连接神经网络层进行进一步的处理，提取出对预测任务有用的全局特征，并进行待预测药物的分子性质预测。
基于图神经网络对图形数据的特征进行处理为本领域公知常识，本发明不再赘述。
3.联合优化
本发明使用改进的粒子群优化方法对变分量子线路的受控X轴旋转门中的旋转角度参数及主干模型中各图卷积层的权重矩阵进行联合优化。
定义药物分子性质预测模型的损失函数，如何定义图神经网络的损失函数为本领域公知常识，本发明不再赘述。
基于损失函数定义联合优化的目标函数/>为：
；
其中，表示由主干模型中各图卷积层的权重矩阵组成的权重矩阵集合，/>表示主干模型中图卷积层的数量。目标函数/>的目标为通过优化旋转角度参数/>及权重矩阵集合使药物分子性质预测模型的损失函数/>最小。
本发明提出的改进的粒子群优化方法具体包括：
3.1初始化
根据旋转角度参数及权重矩阵集合/>初始化粒子群规模/>，粒子群规模/>代表同时进行优化的参数组合数量。
设置最大迭代次数，最大迭代次数/>反映寻找最佳旋转角度参数/>及权重矩阵集合/>计划投入多少计算资源。
设置学习率，学习率/>控制着每次迭代时，如何根据药物分子性质预测模型在预测药物分子性质时的误差进行参数调整。
最后，初始化其他控制优化过程的参数，如膨胀收缩系数，粒子状态参数，以及粒子状态控制参数。
如何初始化粒子群优化方法中的参数为本领域公知常识，本发明不再赘述。
将每个粒子的位置初始化为代表一组旋转角度参数及权重矩阵集合/>的候选值的向量。这些候选值将被用于药物分子性质预测模型，以预测药物分子的性质。
3.2评估粒子群
基于每个粒子对应的旋转角度参数的候选值，使用变分量子线路提取待预测药物的原子节点特征/>，以同一个粒子对应的权重矩阵集合/>的候选值作为主干模型中各图卷积层的权重矩阵，利用药物分子性质预测模型预测待预测药物的分子的性质，并计算此时的损失函数/>的值。找出使损失函数/>最小的粒子作为最优粒子，并记录最优粒子对应的旋转角度参数/>及权重矩阵集合/>的候选值。
3.3更新粒子群
每个粒子根据自身位置和最优粒子的位置，以及自身的粒子状态参数更新自身位置。具体来说，每个粒子根据自身当前位置自身历史最优位置（个体最优）及群体历史最优位置（全局最优）来更新自身位置，群体历史最优位置指在粒子群优化过程中，所有粒子到目前为止找到的最优解的位置。这个过程通过对个体经验和群体经验的平衡，使得粒子能够在保持搜索多样性的同时，向全局最优解靠近，从而提高搜索效率和找到更优质解的可能性。
3.4执行随机局域搜索
对当前群体历史最优位置施加随机扰动，也就是在当前群体历史最优位置基础上加入一定程度的随机变化，形成新的群体历史最优位置。这种方法引入随机性的目的是为了打破粒子可能陷入的局部最优解，让粒子有机会探索解空间中的其它区域，以提高找到全局最优解的可能性，防止优化过程过早地陷入局部最优解，而错过了全局最优解。
3.5迭代优化
重复执行评估粒子群、更新粒子群和执行随机局域搜索步骤，直到达到预设的最大迭代次数。
最后，输出使损失函数值最小的粒子对应的旋转角度参数/>作为优化过的旋转角度参数，输出使损失函数/>值最小的粒子对应的权重矩阵集合/>作为主干模型中各图卷积层的权重矩阵得到完成训练的药物分子性质预测模型。基于完成训练的药物分子性质预测模型对待预测药物进行预测得到其药物分子性质。
以上所述实施方式仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明的权利要求书确定的保护范围内。

Claims (7)

1.一种药物分子性质预测方法，其特征在于，包括以下步骤：
步骤一，以图神经网络作为主干模型，以变分量子线路作为编码层，构建药物分子性质预测模型，变分量子线路包括量子编码层、变分量子线路层及测量输出层；
步骤二，以待预测药物的原子作为药物分子图的节点，化学键作为药物分子图的边，制作待预测药物的药物分子图；药物分子图中第个节点为/>，/>，，/>表示药物分子图中节点的数量，/>表示药物分子图中一个节点的维度，/>表示节点/>的第/>维数据；
步骤三，利用量子编码层将节点转化为量子态节点特征；利用变分量子线路层中的受控X轴旋转门对量子态节点特征进行纠缠后，使用变分量子线路层中的X轴旋转门提取特征，得到药物分子图的旋转后的量子态节点特征；利用测量输出层对旋转后的量子态节点特征进行测量求解期望值，得到原子节点特征/>；以变分量子线路层中受控X轴旋转门中的旋转角度参数/>作为变分量子线路的待优化参数；
步骤四，使用邻接矩阵描述药物分子图，并对该邻接矩阵进行归一化处理得到归一化的分子图邻接矩阵，利用主干模型对原子节点特征/>及归一化的分子图邻接矩阵/>进行卷积、池化及预测；所述利用主干模型对原子节点特征/>及归一化的分子图邻接矩阵/>进行卷积，其中主干模型第/>层图卷积层输出的卷积特征/>为：
；
；
其中，为激活函数，/>为第/>层图卷积层的权重矩阵，/>表示卷积操作；
步骤五，定义药物分子性质预测模型的损失函数，并基于损失函数/>定义目标函数/>；
步骤六，通过基于梯度的自适应量子行为粒子群优化算法对旋转角度参数及主干模型中各图卷积层的权重矩阵进行联合优化使目标函数/>的值最小，得到完成训练的药物分子性质预测模型；
步骤七，基于完成训练的药物分子性质预测模型对待预测药物进行预测得到其药物分子性质；
其中，步骤六具体包括：
步骤六A，初始化粒子群优化方法中的参数；将每个粒子的位置初始化为代表一组旋转角度参数及权重矩阵集合/>的候选值的向量；
步骤六B，基于每个粒子对应的旋转角度参数的候选值，使用变分量子线路提取待预测药物的原子节点特征/>，以同一个粒子对应的权重矩阵集合/>的候选值作为主干模型中各图卷积层的权重矩阵，利用药物分子性质预测模型预测待预测药物的分子的性质，并计算此时的损失函数/>的值；找出使损失函数/>最小的粒子作为最优粒子，并记录最优粒子对应的旋转角度参数/>及权重矩阵集合/>的候选值；
步骤六C，每个粒子根据自身位置和最优粒子的位置，以及自身的粒子状态参数更新自身位置；
步骤六D，对当前群体历史最优位置施加随机扰动，形成新的群体历史最优位置；
步骤六E，重复执行步骤六B、步骤六C和步骤六D步骤，直到达到预设的最大迭代次数。
2.根据权利要求1所述一种药物分子性质预测方法，其特征在于，步骤三中所述利用量子编码层将节点转化为量子态节点特征，具体指：
使用哈达玛门将节点的量子比特的初态/>转变为/>的叠加态，代表张量积操作，/>表示狄拉克符号；
以节点的各维数据/>作为控制Y轴旋转门旋转角度的参数，将Y轴旋转门作用在叠加态的量子比特上，得到药物分子图的量子态节点特征/>，/>表示Y轴旋转门。
3.根据权利要求2所述一种药物分子性质预测方法，其特征在于，步骤三中所述利用变分量子线路层中的受控X轴旋转门对量子态节点特征进行纠缠后，使用变分量子线路层中的X轴旋转门提取特征，得到药物分子图的旋转后的量子态节点特征，具体指：
使用受控X轴旋转门对量子态节点特征进行纠缠；
使用X轴旋转门对完成纠缠的量子态节点特征提取特征，得到药物分子图的旋转后的量子态节点特征，/>表示X轴旋转门。
4.根据权利要求3所述一种药物分子性质预测方法，其特征在于，步骤三中所述利用测量输出层对旋转后的量子态节点特征进行测量求解期望值，得到原子节点特征，具体指：
选择一个量子算符，将量子算符作用在旋转后的量子态节点特征上，并对得到的新量子态进行测量；
通过预定次数的测量并求平均来获取旋转后的量子态节点特征的期望值作为节点/>的原子节点特征/>。
5.根据权利要求4所述一种药物分子性质预测方法，其特征在于，选择泡利Z算符作为量子算符。
6.根据权利要求1所述一种药物分子性质预测方法，其特征在于，激活函数为修正线性单元函数。
7.根据权利要求1所述一种药物分子性质预测方法，其特征在于，步骤五中所述目标函数为：
；
其中，表示由主干模型中各图卷积层的权重矩阵组成的权重矩阵集合，/>表示主干模型中图卷积层的数量，/>为第/>层图卷积层的权重矩阵。
CN202410092983.XA 2024-01-23 2024-01-23 一种药物分子性质预测方法 Active CN117612633B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410092983.XA CN117612633B (zh) 2024-01-23 2024-01-23 一种药物分子性质预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410092983.XA CN117612633B (zh) 2024-01-23 2024-01-23 一种药物分子性质预测方法

Publications (2)

Publication Number Publication Date
CN117612633A CN117612633A (zh) 2024-02-27
CN117612633B true CN117612633B (zh) 2024-04-09

Family

ID=89953878

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410092983.XA Active CN117612633B (zh) 2024-01-23 2024-01-23 一种药物分子性质预测方法

Country Status (1)

Country Link
CN (1) CN117612633B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110830124A (zh) * 2019-11-21 2020-02-21 长春理工大学 基于量子粒子群优化极限学习机的频谱感知方法
CN113075623A (zh) * 2021-03-31 2021-07-06 吉林大学 基于量子粒子群算法的mimo雷达正交波形设计方法
CN114550849A (zh) * 2022-02-25 2022-05-27 上海图灵智算量子科技有限公司 基于量子图神经网络解决化学分子性质预测的方法
CN114974405A (zh) * 2022-05-07 2022-08-30 上海图灵智算量子科技有限公司 基于量子gnn的结合能预测方法
CN114999625A (zh) * 2021-03-02 2022-09-02 中国信息通信研究院 一种利用粒子群优化算法定位最佳治疗方案的方法及系统
WO2023029352A1 (zh) * 2021-08-30 2023-03-09 平安科技（深圳）有限公司 基于图神经网络的药物小分子性质预测方法、装置及设备
CN116153390A (zh) * 2022-07-15 2023-05-23 上海图灵智算量子科技有限公司 基于量子卷积神经网络的药物结合能预测方法
WO2023134063A1 (zh) * 2022-01-11 2023-07-20 平安科技（深圳）有限公司 基于对比学习的药物分子性质预测方法、装置及设备
CN116741307A (zh) * 2023-06-13 2023-09-12 上海交通大学 面向先导化合物合成与筛选的三维分子结构仿真方法
CN116976405A (zh) * 2023-07-27 2023-10-31 重庆师范大学 基于免疫优化算法的变分阴影量子神经网络
CN117273109A (zh) * 2023-08-30 2023-12-22 北京量子信息科学研究院 基于量子神经元的混合神经网络的构建方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3093246A1 (en) * 2018-03-05 2019-09-12 The Board Of Trustees Of The Leland Stanford Junior University Systems and methods for spatial graph convolutions with applications to drug discovery and molecular simulation

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110830124A (zh) * 2019-11-21 2020-02-21 长春理工大学 基于量子粒子群优化极限学习机的频谱感知方法
CN114999625A (zh) * 2021-03-02 2022-09-02 中国信息通信研究院 一种利用粒子群优化算法定位最佳治疗方案的方法及系统
CN113075623A (zh) * 2021-03-31 2021-07-06 吉林大学 基于量子粒子群算法的mimo雷达正交波形设计方法
WO2023029352A1 (zh) * 2021-08-30 2023-03-09 平安科技（深圳）有限公司 基于图神经网络的药物小分子性质预测方法、装置及设备
WO2023134063A1 (zh) * 2022-01-11 2023-07-20 平安科技（深圳）有限公司 基于对比学习的药物分子性质预测方法、装置及设备
CN114550849A (zh) * 2022-02-25 2022-05-27 上海图灵智算量子科技有限公司 基于量子图神经网络解决化学分子性质预测的方法
CN114974405A (zh) * 2022-05-07 2022-08-30 上海图灵智算量子科技有限公司 基于量子gnn的结合能预测方法
CN116153390A (zh) * 2022-07-15 2023-05-23 上海图灵智算量子科技有限公司 基于量子卷积神经网络的药物结合能预测方法
CN116741307A (zh) * 2023-06-13 2023-09-12 上海交通大学 面向先导化合物合成与筛选的三维分子结构仿真方法
CN116976405A (zh) * 2023-07-27 2023-10-31 重庆师范大学 基于免疫优化算法的变分阴影量子神经网络
CN117273109A (zh) * 2023-08-30 2023-12-22 北京量子信息科学研究院 基于量子神经元的混合神经网络的构建方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Intramolecular modulation of iron-based metal organic framework with energy level adjusting for efficient photocatalytic activity;Haoyun Chen, et al.;Applied Catalysis B: Environmental;20220430;1-5 *
基于改进的量子粒子群优化小波神经网络的网络流量预测;孟飞;兰巨龙;胡宇翔;;计算机应用研究;20151231(05);176-179 *
基于改进粒子群优化算法的电力线通信多径传输模型参数辨识;张旭辉 等;电网技术;20090131;75-79 *
改进量子粒子群优化算法的神经网络模型负荷预测;张兰;;西北大学学报(自然科学版);20161231(05);21-26 *

Also Published As

Publication number Publication date
CN117612633A (zh) 2024-02-27

Similar Documents

Publication Publication Date Title
Zhang et al. Efficient evolutionary search of attention convolutional networks via sampled training and node inheritance
CN113159239B (zh) 一种量子图卷积神经网络处理图数据的方法
CN110263227B (zh) 基于图神经网络的团伙发现方法和系统
CN113299354B (zh) 基于Transformer和增强交互型MPNN神经网络的小分子表示学习方法
Wang et al. Evolutionary extreme learning machine ensembles with size control
Ru et al. Neural architecture generator optimization
Liu et al. A survey on computationally efficient neural architecture search
Lu CNN Convolutional layer optimisation based on quantum evolutionary algorithm
WO2024032096A1 (zh) 反应物分子的预测方法、训练方法、装置以及电子设备
CN114639483B (zh) 一种基于图神经网络的电子病历检索方法及装置
CN111724867A (zh) 分子属性测定方法、装置、电子设备及存储介质
Zhao et al. A review of quantum neural networks: methods, models, dilemma
Özyurt et al. UC-Merced image classification with CNN feature reduction using wavelet entropy optimized with genetic algorithm
CN115620803A (zh) 一种基于跨图注意力的蛋白质相互作用点位预测方法
Hong et al. Variational gridded graph convolution network for node classification
Raiaan et al. A systematic review of hyperparameter optimization techniques in Convolutional Neural Networks
CN116994093A (zh) 基于对偶图卷积神经网络的高光谱图像分类方法
CN117253037A (zh) 语义分割模型结构搜索方法、自动语义分割方法及系统
CN115114484A (zh) 异常事件检测方法、装置、计算机设备和存储介质
CN115983391A (zh) 一种基于量子线路的图注意力机制实现装置
CN117612633B (zh) 一种药物分子性质预测方法
CN116976405A (zh) 基于免疫优化算法的变分阴影量子神经网络
Jiang et al. A survey of gnn-based graph similarity learning
CN115034459A (zh) 一种行人轨迹时间序列预测方法
CN113077003A (zh) 基于图采样的图注意力网络归纳学习方法

Legal Events

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