分子的生成方法、装置、电子设备及存储介质与流程

未命名 10-19 阅读:84 评论:0


1.本公开涉及人工智能技术领域,具体涉及生物计算技术,尤其涉及一种分子的生成方法、装置、电子设备及存储介质。


背景技术:

2.分子优化,即在广阔的化学空间中找到满足特定属性要求的分子。通过分子优化方法得到的目标分子是否具有可合成性,直接决定了目标分子的实际价值。
3.相关技术中,通过构建合成树的方式使得目标分子尽可能地出现在合成路径上,以保证目标分子大概率具有可合成性。但相关技术在分子优化的过程中构建的合成树的合成路径较长,增加了目标分子的合成成本。


技术实现要素:

4.提供了一种分子的生成方法、装置、电子设备及存储介质。
5.根据第一方面,提供了一种分子的生成方法,包括:获取待优化的合成树集合,所述待优化的合成树集合中包括多个待优化的合成树,所述多个待优化的合成树的最大合成路径长度为设定长度;对所述待优化的合成树集合进行分子优化,得到优化后的合成树集合;确定所述优化后的合成树集合中的目标合成树;以及将所述目标合成树的根结点确定为目标分子。
6.根据第二方面,提供了一种分子的生成装置,包括:获取模块,用于获取待优化的合成树集合,所述待优化的合成树集合中包括多个待优化的合成树,所述多个待优化的合成树的最大合成路径长度为设定长度;优化模块,用于对所述待优化的合成树集合进行分子优化,得到优化后的合成树集合;第一确定模块,用于确定所述优化后的合成树集合中的目标合成树;以及第二确定模块,用于将所述目标合成树的根结点确定为目标分子。
7.根据第三方面,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本公开第一方面所述的分子的生成方法。
8.根据第四方面,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根据本公开第一方面所述的分子的生成方法。
9.根据第五方面,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根据本公开第一方面所述分子的生成方法的步骤。
10.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
11.附图用于更好地理解本方案,不构成对本公开的限定。其中:
12.图1是根据本公开第一实施例的分子的生成方法的流程示意图;
13.图2是根据本公开第二实施例的分子的生成方法的流程示意图;
14.图3是根据本公开第三实施例的基于分子砌块搭建合成树的示意图;
15.图4是根据本公开第四实施例的分子的生成方法的流程示意图;
16.图5是根据本公开第五实施例的分子的生成方法的流程示意图;
17.图6是根据本公开第六实施例的分子的生成方法的原理示意图;
18.图7是根据本公开第七实施例的分子的生成装置的框图;
19.图8是根据本公开第八实施例的分子的生成装置的框图;
20.图9是用来实现本公开实施例的方法的电子设备的框图。
具体实施方式
21.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。
22.人工智能(artificial intelligence,简称ai),是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。目前,ai技术具有自动化程度高、精确度高、成本低的优点,得到了广泛的应用。
23.生物计算(biocomputing),是指利用生物系统固有的信息处理机理而研究开发的一种新的计算模式。生物计算研究包括器件和系统两个方面。利用有机(或生物)材料在分子尺度内构成的有序体系、提供通过分子层次上的物理化学过程信息检测、处理、传输和存储的基本单元,称为分子器件。生物计算系统的结构和计算原理不同于传统的计算系统,它的结构一般是并行分布式的,信息存储往往是短时记忆和长时记忆的结合,是通过学习完成的。生物计算是个高度融合的学科,生物+计算的融合,会带来巨大的突破和进步,依靠生物计算引擎,能够有效利用大量的生物数据,把药物发现的“大海捞针”变成“按图索骥”,为人类的生命健康谋福祉。
24.下面结合附图描述本公开实施例的分子的生成方法、装置、电子设备及存储介质。
25.图1是根据本公开第一实施例的分子的生成方法的流程示意图。
26.如图1所示,本公开实施例的分子的生成方法具体可包括以下步骤:
27.s101,获取待优化的合成树集合,待优化的合成树集合中包括多个待优化的合成树,多个待优化的合成树的最大合成路径长度为设定长度。
28.具体的,本公开实施例的分子的生成方法的执行主体可为本公开实施例提供的分子的生成装置,该分子的生成装置可为具有数据信息处理能力的硬件设备和/或驱动该硬件设备工作所需必要的软件。可选的,执行主体可包括工作站、服务器、计算机、用户终端及其他设备。其中,用户终端包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端等。
29.在本公开实施例中,待优化的合成树集合即待进行分子优化的合成树的集合,待优化的合成树集合中包括多个待优化的合成树,待优化的合成树集合可理解为待进化的种群,待优化的合成树集合中待优化的合成树可理解为待进化的种群中待进化的个体。本步
骤中的待优化的合成树集合可以为分子优化过程中初始的合成树集合,也可以为分子优化过程中生成的合成树集合。
30.合成树的叶子结点具体可为分子砌块库中的分子砌块,合成树的根结点即输出的产物分子。待优化的合成树集合中包括的多个待优化的合成树的合成路径长度可以为1到设定长度(例如l),即约束多个待优化的合成树的最大合成路径长度为设定长度l。
31.分子砌块库中包括预设的多个分子砌块。分子砌块是用于合成具有特定活性的复杂化合物的基本单元。在化学领域,分子砌块是具有活性官能团的虚拟分子片段或真实分子,可用于特性分子结构“自下而上”的组装。
32.s102,对待优化的合成树集合进行分子优化,得到优化后的合成树集合。
33.在本公开实施例中,采用进化算法对步骤s101获取的待优化的合成树集合中的各待优化的合成树分别进行分子优化,得到多个优化后的合成树,多个优化后的合成树构成的集合即优化后的合成树集合。分子优化具体可包括但不限于对待优化的合成树进行分子突变等。
34.s103,确定优化后的合成树集合中的目标合成树。
35.在本公开实施例中,目标合成树即符合用户期望的合成树。在步骤s102得到的优化后的合成树集合中的多个优化后的合成树中,选择其中至少一个优化后的合成树作为目标合成树。可以预先设置好选择策略,基于预先设置好的选择策略在多个优化后的合成树中选择目标合成树。
36.s104,将目标合成树的根结点确定为目标分子。
37.在本公开实施例中,目标分子即符合用户期望属性的分子,也即分子优化过程的最终产物。将步骤s103中确定的目标合成树的根结点确定为目标分子,该目标分子对应的目标合成树即该目标分子对应的合成路径,可基于该合成路径实现目标分子的合成。
38.综上,本公开实施例的分子的生成方法,获取包括多个待优化的合成树的待优化的合成树集合,多个待优化的合成树的最大合成路径长度为设定长度,对待优化的合成树集合中的进行分子优化,得到优化后的合成树集合,确定优化后的合成树集合中的目标合成树,并将目标合成树的根结点确定为最终的目标分子。本公开实施例通过对合成树进行分子优化的方式生成目标合成树,进而确定目标分子,使得最终生成的目标分子具有可合成性。另外,通过设定合成树的最大合成路径长度,将合成路径长度作为约束条件添加到目标分子的生成过程,降低了目标分子的合成成本。
39.图2是根据本公开第二实施例的分子的生成方法的流程示意图。
40.如图2所示,在图1所示实施例的基础上,本公开实施例的分子的生成方法具体可包括以下步骤:
41.上述实施例中的步骤s101“获取待优化的合成树集合,待优化的合成树集合中包括多个待优化的合成树,多个待优化的合成树的最大合成路径长度为设定长度”,具体可包括以下步骤s201-s202。
42.s201,选取分子砌块库中的多个分子砌块作为反应底物。
43.在本公开实施例中,初始的待优化的合成树集合可基于分子砌块库中的多个分子砌块及预设的反应模板生成。
44.如图3所示,选取分子砌块库中的多个分子砌块作为待优化的合成树的叶子结点,
并将选取的多个分子砌块作为原始的反应底物。
45.s202,采用预设的反应模板连接分子底物,得到待优化的合成树集合中的待优化的合成树,待优化的合成树的最大合成路径长度为设定长度。
46.在本公开实施例中,预设的反应模板对应于特定的化学反应方程式。如图3所示,将预设的反应模板作为待优化的合成树的合成路径(即连接路径),采用预设的反应模板连接分子底物,自底向上构建多层待优化的合成树。具体的:利用预设的反应模板,连接分子砌块以进一步组建新的分子砌块(作为中间产物),该过程反复迭代,最终构建起多棵以分子砌块为结点、反应模板为连接路径的待优化的合成树,每颗待优化的合成树的根节点就是我们期望的目标分子(作为最终产物)。
47.上述实施例中的步骤s102“对待优化的合成树集合进行分子优化,得到优化后的合成树集合”,具体可包括以下步骤s203-s204。
48.s203,确定待优化的合成树集合中的待优化的候选合成树。
49.在本公开实施例中,在待优化的合成树集合中,挑选出部分待优化的合成树作为待优化的候选合成树,即在待优化的种群中挑选出部分个体作为精英个体。
50.作为一种可行的实施方式,如图4所示,可通过以下步骤s401-s402确定待优化的合成树集合中的待优化的候选合成树:
51.s401,计算待优化的合成树集合中待优化的合成树的适应度得分。
52.在本公开实施例中,可以使用评估器计算待优化的合成树集合中各待优化的合成树的适应度得分。
53.作为第一种可行的实施方式,可以采用分子对接(docking)等方法计算待优化的合成树的根结点与设定蛋白质之间的结合力得分,并将待优化的合成树的结合力得分作为待优化的合成树的适应度得分。
54.作为第二种可行的实施方式,可以计算待优化的合成树的根结点的理化属性得分,并将待优化的合成树的理化属性得分作为待优化的合成树的适应度得分。其中,理化属性得分可以采用模型预测的方式预测得到。
55.s402,将适应度得分最高的设定数量的待优化的合成树确定为待优化的候选合成树。
56.在本公开实施例中,将待优化的合成树集合中各待优化的合成树按照适应度得分从高到低的顺序排序,将排序靠前的设定数量例如topk个待优化的合成树确定为待优化的候选合成树。
57.s204,根据待优化的候选合成树生成优化后的合成树集合中的优化后的合成树。
58.在本公开实施例中,基于挑选出的topk个待优化的候选合成树生成多个优化后的合成树。其中,基于一个待优化的候选合成树可以生成零至多个优化后的合成树。
59.上述实施例中的步骤s103“确定优化后的合成树集合中的目标合成树”,具体可包括以下步骤s205-s206:
60.s205,将迭代次数加一。
61.在本公开实施例中,将迭代次数m加一,即令m=m+1。
62.s206,迭代次数达到预设的迭代次数阈值,则确定优化后的合成树集合中的目标合成树。
63.在本公开实施例中,用户可根据需要预先设置迭代次数阈值。若迭代次数达到迭代次数阈值,则停止迭代优化过程,并确定优化后的合成树集合中的目标合成树。
64.其中,上述步骤“确定优化后的合成树集合中的目标合成树”,具体可通过以下步骤实现:计算优化后的合成树集合中优化后的合成树的适应度得分,将适应度得分最高的设定数量的优化后的合成树确定为目标合成树。
65.在本公开实施例中,根据适应度得分确定目标合成树的过程与上述实施例中的步骤s401-s402类似,此处不再赘述。
66.s207,迭代次数未达到迭代次数阈值,则将优化后的合成树集合作为待优化的合成树集合。
67.在本公开实施例中,若迭代次数未达到迭代次数阈值,则继续迭代优化过程,即将优化后的合成树集合作为新的待优化的合成树集合,并继续执行步骤s203。
68.s208,将目标合成树的根结点确定为目标分子。
69.在本公开实施例中,步骤s208与上述实施例中的步骤s104相同,此处不再赘述。
70.进一步的,上述实施例中的步骤s204“根据待优化的候选合成树生成优化后的合成树集合中的优化后的合成树”,具体可包括以下步骤:对待优化的候选合成树中的叶子结点进行分子突变,得到优化后的合成树。
71.在本公开实施例中,对一个待优化的候选合成树可以进行一次或多次突变,得到一个或多个优化后的合成树。每次突变可以对待优化的候选合成树中的一个或多个叶子结点进行分子突变。
72.具体的,如图5所示,可通过以下步骤s501-s504得到优化后的合成树:
73.s501,在待优化的候选合成树的叶子结点中确定待突变叶子节点。
74.在本公开实施例中,在待优化的候选合成树的多个叶子结点中选取一个或多个叶子结点作为待突变的叶子节点,记为待突变叶子节点。
75.s502,在分子砌块库中确定待突变叶子节点对应的候选分子砌块。
76.在本公开实施例中,候选分子砌块即作为待突变叶子节点的替换物的分子砌块。在分子砌块库中选取与待突变叶子节点对应的候选分子砌块。
77.作为第一种可行的实施方式,可以将分子砌块库中与待突变叶子节点分子相似度最大的一个或多个分子砌块,确定为候选分子砌块。
78.作为第二种可行的实施方式,可以获取待优化的候选合成树去除待突变叶子节点后的剩余合成树信息,并基于剩余合成树信息在分子砌块库中确定候选分子砌块。例如,可将剩余合成树信息输入至神经网络模型中,得到神经网络模型输出的分子砌块库中各分子砌块对应的概率值,并将概率值最高的分子砌块确定为候选分子砌块。
79.作为第三种可行的实施方式,可以将分子砌块库中与待突变叶子节点的理化属性一致的分子砌块确定为候选分子砌块。此处需要说明的是,若分子砌块库中与待突变叶子节点的理化属性一致的分子砌块有多个,则可以将理化属性一致的多个分子砌块中,与待突变叶子节点分子相似度最大的一个或多个分子砌块,确定为候选分子砌块。
80.s503,将待突变叶子节点替换为候选分子砌块,得到突变后的合成树。
81.在本公开实施例中,将待优化的候选合成树中的待突变叶子节点替换为候选分子砌块,得到替换后的合成树,也即突变后的合成树。
82.s504,将可合成根结点的突变后的合成树确定为优化后的合成树。
83.在本公开实施例中,若突变后的合成树可以正常合成根节点,则此次突变成功,将该突变后的合成树确定为优化后的合成树。若突变后的合成树无法正常合成根节点,则此次突变失败,丢弃该突变后的合成树。
84.综上,本公开实施例的分子的生成方法,获取包括多个待优化的合成树的待优化的合成树集合,多个待优化的合成树的最大合成路径长度为设定长度,对待优化的合成树集合中的进行分子优化,得到优化后的合成树集合,确定优化后的合成树集合中的目标合成树,并将目标合成树的根结点确定为最终的目标分子。本公开实施例通过对合成树进行分子优化的方式生成目标合成树,进而确定目标分子,使得最终生成的目标分子具有可合成性。另外,通过设定合成树的最大合成路径长度,将合成路径长度作为约束条件添加到目标分子的生成过程,降低了目标分子的合成成本。另外,在分子优化过程中将适应度得分最高的设定数量的待优化的合成树确定为待优化的候选合成树,并对确定的待优化的候选合成树进行优化,通过对待进化种群中选择的精英个体进行进化,使得优化效果更佳。通过计算结合力得分和/或理化属性得分从而可以得到较为准确的适应度得分。通过分子相似度比较、基于剩余合成树信息生成、理化属性比较的方式确定候选分子砌块,提高了确定出的候选分子砌块对应的突变后的合成树突变成功的概率,进一步提高了优化效果。
85.为清楚地说明本公开实施例的分子的生成方法,现结合图6进行详细描述。图6是根据本公开实施例的分子的生成方法的原理示意图,如图6所示,本公开实施例的分子的生成方法包括:获取待优化的合成树集合,待优化的合成树集合中包括多个待优化的合成树,多个待优化的合成树的最大合成路径长度为设定长度。计算待优化的合成树集合中各待优化的合成树的适应度得分,将适应度得分最高的topk个待优化的合成树确定为突变对象即待优化的候选合成树。对待优化的候选合成树中的叶子结点进行分子突变,得到优化后的合成树。将迭代次数加一。若迭代次数达到预设的迭代次数阈值,则停止迭代,将适应度得分最高的一个或多个优化后的合成树确定为目标合成树,并将目标合成树的根节点确定为最终的目标分子。若迭代次数未达到预设的迭代次数阈值,则继续迭代,即将优化后的合成树作为新的待优化的合成树,继续后续的优化过程。
86.图7是根据本公开第一实施例的分子的生成装置的框图。
87.如图7所示,本公开实施例的分子的生成装置700,包括:获取模块701、优化模块702、第一确定模块703和第二确定模块704。其中:
88.获取模块701,用于获取待优化的合成树集合,待优化的合成树集合中包括多个待优化的合成树,多个待优化的合成树的最大合成路径长度为设定长度。
89.优化模块702,用于对待优化的合成树集合进行分子优化,得到优化后的合成树集合。
90.第一确定模块703,用于确定优化后的合成树集合中的目标合成树。
91.第二确定模块704,用于将目标合成树的根结点确定为目标分子。
92.需要说明的是,上述对分子的生成方法实施例的解释说明,也适用于本公开实施例的分子的生成装置,具体过程此处不再赘述。
93.综上,本公开实施例的分子的生成装置,获取包括多个待优化的合成树的待优化的合成树集合,多个待优化的合成树的最大合成路径长度为设定长度,对待优化的合成树
集合中的进行分子优化,得到优化后的合成树集合,确定优化后的合成树集合中的目标合成树,并将目标合成树的根结点确定为最终的目标分子。本公开实施例通过对合成树进行分子优化的方式生成目标合成树,进而确定目标分子,使得最终生成的目标分子具有可合成性。另外,通过设定合成树的最大合成路径长度,将合成路径长度作为约束条件添加到目标分子的生成过程,降低了目标分子的合成成本。
94.图8是根据本公开第二实施例的分子的生成装置的框图。
95.如图8所示,本公开实施例的分子的生成装置800,包括:获取模块801、优化模块802、第一确定模块803和第二确定模块804。
96.其中,获取模块801与上一实施例中的获取模块701具有相同的结构和功能,优化模块802与上一实施例中的优化模块702具有相同的结构和功能,第一确定模块803与上一实施例中的第一确定模块703具有相同的结构和功能,第二确定模块804与上一实施例中的第二确定模块704具有相同的结构和功能。
97.进一步的,待优化的合成树的叶子结点为分子砌块库中的分子砌块。
98.进一步的,获取模块801,包括:选取单元8011,用于选取分子砌块库中的多个分子砌块作为反应底物;以及连接单元8012,用于采用预设的反应模板连接分子底物,得到待优化的合成树集合中的待优化的合成树。
99.进一步的,优化模块802,进一步用于:确定待优化的合成树集合中的待优化的候选合成树;以及根据待优化的候选合成树生成优化后的合成树集合中的优化后的合成树。
100.进一步的,优化模块802,进一步用于:计算待优化的合成树集合中待优化的合成树的适应度得分;以及将适应度得分最高的设定数量的待优化的合成树确定为待优化的候选合成树。
101.进一步的,优化模块802,进一步用于:计算待优化的合成树的根结点与设定蛋白质之间的结合力得分;以及将结合力得分作为适应度得分。
102.进一步的,优化模块802,进一步用于:计算待优化的合成树的根结点的理化属性得分;以及将理化属性得分作为适应度得分。
103.进一步的,优化模块802,进一步用于:对待优化的候选合成树中的叶子结点进行分子突变,得到优化后的合成树。
104.进一步的,优化模块802,进一步用于:在待优化的候选合成树的叶子结点中确定待突变叶子节点;在分子砌块库中确定待突变叶子节点对应的候选分子砌块;将待突变叶子节点替换为候选分子砌块,得到突变后的合成树;以及将可合成根结点的突变后的合成树确定为优化后的合成树。
105.进一步的,优化模块802,进一步用于:将分子砌块库中与待突变叶子节点分子相似度最大的分子砌块,确定为候选分子砌块。
106.进一步的,优化模块802,进一步用于:获取待优化的候选合成树去除待突变叶子节点后的剩余合成树信息;以及基于剩余合成树信息在分子砌块库中确定候选分子砌块。
107.进一步的,优化模块802,进一步用于:将剩余合成树信息输入至神经网络模型中,得到分子砌块库中分子砌块对应的概率值;以及将概率值最高的分子砌块确定为候选分子砌块。
108.进一步的,优化模块802,进一步用于:将分子砌块库中与待突变叶子节点的理化
属性一致的分子砌块确定为候选分子砌块。
109.进一步的,第一确定模块803,进一步用于:将迭代次数加一;以及迭代次数达到预设的迭代次数阈值,则确定优化后的合成树集合中的目标合成树。
110.进一步的,第一确定模块803,还用于:迭代次数未达到迭代次数阈值,则将优化后的合成树集合作为待优化的合成树集合。
111.进一步的,第一确定模块803,进一步用于:计算优化后的合成树集合中优化后的合成树的适应度得分;以及将适应度得分最高的设定数量的优化后的合成树确定为目标合成树。
112.需要说明的是,上述对分子的生成方法实施例的解释说明,也适用于本公开实施例的分子的生成装置,具体过程此处不再赘述。
113.综上,本公开实施例的分子的生成装置,获取包括多个待优化的合成树的待优化的合成树集合,多个待优化的合成树的最大合成路径长度为设定长度,对待优化的合成树集合中的进行分子优化,得到优化后的合成树集合,确定优化后的合成树集合中的目标合成树,并将目标合成树的根结点确定为最终的目标分子。本公开实施例通过对合成树进行分子优化的方式生成目标合成树,进而确定目标分子,使得最终生成的目标分子具有可合成性。另外,通过设定合成树的最大合成路径长度,将合成路径长度作为约束条件添加到目标分子的生成过程,降低了目标分子的合成成本。另外,在分子优化过程中将适应度得分最高的设定数量的待优化的合成树确定为待优化的候选合成树,并对确定的待优化的候选合成树进行优化,通过对待进化种群中选择的精英个体进行进化,使得优化效果更佳。通过计算结合力得分和/或理化属性得分从而可以得到较为准确的适应度得分。通过分子相似度比较、基于剩余合成树信息生成、理化属性比较的方式确定候选分子砌块,提高了确定出的候选分子砌块对应的突变后的合成树突变成功的概率,进一步提高了优化效果。
114.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。
115.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。
116.图9示出了可以用来实施本公开的实施例的示例电子设备900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。
117.如图9所示,电子设备900包括计算单元901,其可以根据存储在只读存储器(rom)902中的计算机程序或者从存储单元908加载到随机访问存储器(ram)903中的计算机程序,来执行各种适当的动作和处理。在ram903中,还可存储电子设备900操作所需的各种程序和数据。计算单元901、rom902以及ram903通过总线904彼此相连。输入/输出(i/o)接口905也连接至总线904。
118.电子设备900中的多个部件连接至i/o接口905,包括:输入单元906,例如键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储单元908,例如磁盘、光盘等;以
及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许电子设备900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。
119.计算单元901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901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901执行上文所描述的各个方法和处理,例如图1至图6所示的分子的生成方法。例如,在一些实施例中,分子的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908。在一些实施例中,计算机程序的部分或者全部可以经由rom902和/或通信单元909而被载入和/或安装到电子设备900上。当计算机程序加载到ram903并由计算单元901执行时,可以执行上文描述的语义解析方法的一个或多个步骤。备选地,在其他实施例中,计算单元901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的生成方法。
120.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。
121.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。
122.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。
123.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。
124.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)、互联网以及区块链网络。
125.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。
126.根据本公开的实施例,本公开还提供了一种计算机程序产品,包括计算机程序,其中,计算机程序在被处理器执行时实现根据本公开上述实施例所示的分子的生成方法的步骤。
127.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。
128.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。

技术特征:
1.一种分子的生成方法,包括:获取待优化的合成树集合,所述待优化的合成树集合中包括多个待优化的合成树,所述多个待优化的合成树的最大合成路径长度为设定长度;对所述待优化的合成树集合进行分子优化,得到优化后的合成树集合;确定所述优化后的合成树集合中的目标合成树;以及将所述目标合成树的根结点确定为目标分子。2.根据权利要求1所述的生成方法,其中,所述待优化的合成树的叶子结点为分子砌块库中的分子砌块。3.根据权利要求2所述的生成方法,其中,所述获取待优化的合成树集合,包括:选取所述分子砌块库中的多个分子砌块作为反应底物;以及采用预设的反应模板连接所述分子底物,得到所述待优化的合成树集合中的所述待优化的合成树。4.根据权利要求1所述的生成方法,其中,所述对所述待优化的合成树集合进行分子优化,得到优化后的合成树集合,包括:确定所述待优化的合成树集合中的待优化的候选合成树;以及根据所述待优化的候选合成树生成所述优化后的合成树集合中的优化后的合成树。5.根据权利要求4所述的生成方法,其中,所述确定所述待优化的合成树集合中的待优化的候选合成树,包括:计算所述待优化的合成树集合中所述待优化的合成树的适应度得分;以及将所述适应度得分最高的设定数量的所述待优化的合成树确定为所述待优化的候选合成树。6.根据权利要求5所述的生成方法,其中,所述计算所述待优化的合成树集合中所述待优化的合成树的适应度得分,包括:计算所述待优化的合成树的根结点与设定蛋白质之间的结合力得分;以及将所述结合力得分作为所述适应度得分。7.根据权利要求5所述的生成方法,其中,所述计算所述待优化的合成树集合中所述待优化的合成树的适应度得分,包括:计算所述待优化的合成树的根结点的理化属性得分;以及将所述理化属性得分作为所述适应度得分。8.根据权利要求4所述的生成方法,其中,所述根据所述待优化的候选合成树生成所述优化后的合成树集合中的优化后的合成树,包括:对所述待优化的候选合成树中的叶子结点进行分子突变,得到所述优化后的合成树。9.根据权利要求8所述的生成方法,其中,所述对所述待优化的候选合成树中的叶子结点进行分子突变,得到所述优化后的合成树,包括:在所述待优化的候选合成树的叶子结点中确定待突变叶子节点;在分子砌块库中确定所述待突变叶子节点对应的候选分子砌块;将所述待突变叶子节点替换为所述候选分子砌块,得到突变后的合成树;以及将可合成根结点的所述突变后的合成树确定为所述优化后的合成树。10.根据权利要求9所述的生成方法,其中,所述在分子砌块库中确定所述待突变叶子
节点对应的候选分子砌块,包括:将所述分子砌块库中与所述待突变叶子节点分子相似度最大的分子砌块,确定为所述候选分子砌块。11.根据权利要求9所述的生成方法,其中,所述在分子砌块库中确定所述待突变叶子节点对应的候选分子砌块,包括:获取所述待优化的候选合成树去除所述待突变叶子节点后的剩余合成树信息;以及基于所述剩余合成树信息在所述分子砌块库中确定所述候选分子砌块。12.根据权利要求11所述的生成方法,其中,所述基于所述剩余合成树信息在所述分子砌块库中确定所述候选分子砌块,包括:将所述剩余合成树信息输入至神经网络模型中,得到所述分子砌块库中分子砌块对应的概率值;以及将概率值最高的所述分子砌块确定为所述候选分子砌块。13.根据权利要求9所述的生成方法,其中,所述在分子砌块库中确定所述待突变叶子节点对应的候选分子砌块,包括:将所述分子砌块库中与所述待突变叶子节点的理化属性一致的分子砌块确定为所述候选分子砌块。14.根据权利要求1所述的生成方法,其中,所述确定所述优化后的合成树集合中的目标合成树,包括:将迭代次数加一;以及所述迭代次数达到预设的迭代次数阈值,则确定所述优化后的合成树集合中的所述目标合成树。15.根据权利要求14所述的生成方法,还包括:所述迭代次数未达到所述迭代次数阈值,则将所述优化后的合成树集合作为所述待优化的合成树集合。16.根据权利要求1所述的生成方法,其中,所述确定所述优化后的合成树集合中的目标合成树,包括:计算所述优化后的合成树集合中优化后的合成树的适应度得分;以及将所述适应度得分最高的设定数量的所述优化后的合成树确定为所述目标合成树。17.一种分子的生成装置,包括:获取模块,用于获取待优化的合成树集合,所述待优化的合成树集合中包括多个待优化的合成树,所述多个待优化的合成树的最大合成路径长度为设定长度;优化模块,用于对所述待优化的合成树集合进行分子优化,得到优化后的合成树集合;第一确定模块,用于确定所述优化后的合成树集合中的目标合成树;以及第二确定模块,用于将所述目标合成树的根结点确定为目标分子。18.根据权利要求17所述的生成装置,其中,所述待优化的合成树的叶子结点为分子砌块库中的分子砌块。19.根据权利要求18所述的生成装置,其中,所述获取模块,包括:选取单元,用于选取所述分子砌块库中的多个分子砌块作为反应底物;以及连接单元,用于采用预设的反应模板连接所述分子底物,得到所述待优化的合成树集
合中的所述待优化的合成树。20.根据权利要求17所述的生成装置,其中,所述优化模块,进一步用于:确定所述待优化的合成树集合中的待优化的候选合成树;以及根据所述待优化的候选合成树生成所述优化后的合成树集合中的优化后的合成树。21.根据权利要求20所述的生成装置,其中,所述优化模块,进一步用于:计算所述待优化的合成树集合中所述待优化的合成树的适应度得分;以及将所述适应度得分最高的设定数量的所述待优化的合成树确定为所述待优化的候选合成树。22.根据权利要求21所述的生成装置,其中,所述优化模块,进一步用于:计算所述待优化的合成树的根结点与设定蛋白质之间的结合力得分;以及将所述结合力得分作为所述适应度得分。23.根据权利要求21所述的生成装置,其中,所述优化模块,进一步用于:计算所述待优化的合成树的根结点的理化属性得分;以及将所述理化属性得分作为所述适应度得分。24.根据权利要求21所述的生成装置,其中,所述优化模块,进一步用于:对所述待优化的候选合成树中的叶子结点进行分子突变,得到所述优化后的合成树。25.根据权利要求24所述的生成装置,其中,所述优化模块,进一步用于:在所述待优化的候选合成树的叶子结点中确定待突变叶子节点;在分子砌块库中确定所述待突变叶子节点对应的候选分子砌块;将所述待突变叶子节点替换为所述候选分子砌块,得到突变后的合成树;以及将可合成根结点的所述突变后的合成树确定为所述优化后的合成树。26.根据权利要求25所述的生成装置,其中,所述优化模块,进一步用于:将所述分子砌块库中与所述待突变叶子节点分子相似度最大的分子砌块,确定为所述候选分子砌块。27.根据权利要求25所述的生成装置,其中,所述优化模块,进一步用于:获取所述待优化的候选合成树去除所述待突变叶子节点后的剩余合成树信息;以及基于所述剩余合成树信息在所述分子砌块库中确定所述候选分子砌块。28.根据权利要求27所述的生成装置,其中,所述优化模块,进一步用于:将所述剩余合成树信息输入至神经网络模型中,得到所述分子砌块库中分子砌块对应的概率值;以及将概率值最高的所述分子砌块确定为所述候选分子砌块。29.根据权利要求25所述的生成装置,其中,所述优化模块,进一步用于:将所述分子砌块库中与所述待突变叶子节点的理化属性一致的分子砌块确定为所述候选分子砌块。30.根据权利要求17所述的生成装置,其中,所述第一确定模块,进一步用于:将迭代次数加一;以及所述迭代次数达到预设的迭代次数阈值,则确定所述优化后的合成树集合中的所述目标合成树。31.根据权利要求30所述的生成装置,其中,所述第一确定模块,还用于:
所述迭代次数未达到所述迭代次数阈值,则将所述优化后的合成树集合作为所述待优化的合成树集合。32.根据权利要求17所述的生成装置,其中,所述第一确定模块,进一步用于:计算所述优化后的合成树集合中优化后的合成树的适应度得分;以及将所述适应度得分最高的设定数量的所述优化后的合成树确定为所述目标合成树。33.一种电子设备,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1-16中任一项所述的方法。34.一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1-16中任一项所述的方法。35.一种计算机程序产品,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1-16中任一项所述方法的步骤。

技术总结
本公开提供了分子的生成方法、装置、电子设备及存储介质,涉及人工智能技术领域,具体涉及生物计算技术。其中方法包括:获取待优化的合成树集合,待优化的合成树集合中包括多个待优化的合成树,多个待优化的合成树的最大合成路径长度为设定长度;对待优化的合成树集合进行分子优化,得到优化后的合成树集合;确定优化后的合成树集合中的目标合成树;以及将目标合成树的根结点确定为目标分子。本公开通过对合成树进行分子优化的方式生成目标合成树,进而确定目标分子,使得最终生成的目标分子具有可合成性。通过设定合成树的最大合成路径长度,将合成路径长度作为约束条件添加到目标分子的生成过程,降低了目标分子的合成成本。降低了目标分子的合成成本。降低了目标分子的合成成本。


技术研发人员:陈致远 李家豪 方晓敏 张肖男 何径舟
受保护的技术使用者:北京百度网讯科技有限公司
技术研发日:2023.06.30
技术公布日:2023/10/8
版权声明

本文仅代表作者观点,不代表航家之家立场。
本文系作者授权航家号发表,未经原创作者书面授权,任何单位或个人不得引用、复制、转载、摘编、链接或以其他任何方式复制发表。任何单位或个人在获得书面授权使用航空之家内容时,须注明作者及来源 “航空之家”。如非法使用航空之家的部分或全部内容的,航空之家将依法追究其法律责任。(航空之家官方QQ:2926969996)

航空之家 https://www.aerohome.com.cn/

航空商城 https://mall.aerohome.com.cn/

航空资讯 https://news.aerohome.com.cn/

分享:

扫一扫在手机阅读、分享本文

评论

相关推荐