公开(公告)号：CN109033738B

公开(公告)日：2022-01-11

申请号：CN201810742486.4

申请日：2018-07-09

Applicant: 湖南大学

Inventor： 全哲 ,  范益世 ,  王凡 ,  乐雨泉 ,  林轩 ,  刘彦

IPC: G16C20/30 ,  G06N3/08

Abstract: 本发明公开了一种基于深度学习的药物活性预测方法。本发明使用RDkit开源库用于计算给定分子中每个原子的基本特征，包括原子类型，化合价，形式电荷等，只计算原子特征大大减少时间耗费。本发明是结合了图卷积和LSTM两种模型(长短期记忆网络)的预测模型，对于图卷积模型，通过将原子视为节点并将键作为无向图中的边来将所有分子特征化为图，提取分子结构特征，使用图卷积神经网络可以减少时间耗费的同时获取传统方法无法得到的特征。LSTM通过在证据和查询分子之间交换信息来学习复杂的度量。从而达到在低数据量下较高的预测准确度。

公开(公告)号：CN109033738A

公开(公告)日：2018-12-18

申请号：CN201810742486.4

申请日：2018-07-09

Applicant: 湖南大学

Inventor： 全哲 ,  范益世 ,  王凡 ,  乐雨泉 ,  林轩 ,  刘彦

IPC: G06F19/00 ,  G06N3/08

CPC classification number: G06N3/08

Abstract: 本发明公开了一种基于深度学习的药物活性预测方法。本发明使用RDkit开源库用于计算给定分子中每个原子的基本特征，包括原子类型，化合价，形式电荷等，只计算原子特征大大减少时间耗费。本发明是结合了图卷积和LSTM两种模型(长短期记忆网络)的预测模型，对于图卷积模型，通过将原子视为节点并将键作为无向图中的边来将所有分子特征化为图，提取分子结构特征，使用图卷积神经网络可以减少时间耗费的同时获取传统方法无法得到的特征。LSTM通过在证据和查询分子之间交换信息来学习复杂的度量。从而达到在低数据量下较高的预测准确度。