公开(公告)号：CN115050428B

公开(公告)日：2024-06-14

申请号：CN202210654644.7

申请日：2022-06-10

Applicant: 华南理工大学

Inventor： 蔡涵萱 ,  王领 ,  巫景行 ,  李奕锐 ,  罗海林 ,  刘政豪

IPC: G16C20/30 ,  G16C20/50 ,  G16C20/70 ,  G06N3/0985

Abstract: 本发明公开基于深度学习融合分子图及指纹的药物性质预测方法及系统。该预测方法为：对于不同药物性质的预测；构建适用于药物性质预测的深度学习模型；根据模型构建的需求，选择具体方式，将数据集拆分为为训练集、测试集和验证集；将数据集输入网络模型中，根据训练集预测结果和训练集真值的差距对网络中的参数进行训练更新，根据验证集上的最优结果确定最优网络参数，对测试集数据进行检测；根据超参数优化策略，确定模型的最优超参数组合；对于不同药物性质的预测，生成针对性的最优模型，以供后续应用于新的小分子药物性质预测。本发明融合了经典的分子指纹特征，解决了深度学习在小规模数据集上无法有效提取到重要特征的缺陷。

公开(公告)号：CN115050428A

公开(公告)日：2022-09-13

申请号：CN202210654644.7

申请日：2022-06-10

Applicant: 华南理工大学

Inventor： 蔡涵萱 ,  王领 ,  巫景行 ,  李奕锐 ,  罗海林 ,  刘政豪

IPC: G16C20/30 ,  G16C20/50 ,  G16C20/70 ,  G06N3/08

Abstract: 本发明公开基于深度学习融合分子图及指纹的药物性质预测方法及系统。该预测方法为：对于不同药物性质的预测；构建适用于药物性质预测的深度学习模型；根据模型构建的需求，选择具体方式，将数据集拆分为为训练集、测试集和验证集；将数据集输入网络模型中，根据训练集预测结果和训练集真值的差距对网络中的参数进行训练更新，根据验证集上的最优结果确定最优网络参数，对测试集数据进行检测；根据超参数优化策略，确定模型的最优超参数组合；对于不同药物性质的预测，生成针对性的最优模型，以供后续应用于新的小分子药物性质预测。本发明融合了经典的分子指纹特征，解决了深度学习在小规模数据集上无法有效提取到重要特征的缺陷。