买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：华南理工大学

摘要：本发明提供了一种基于深度学习的逆合成预测方法、装置、介质及设备；其中，方法包括如下步骤：将目标产物转换为SMILES序列；对SMILES序列进行结构信息的提取，结构信息包括度信息和邻接矩阵信息；进行编码得到度信息编码和邻接信息编码；将SMILES序列输入Transformer模型编码器中，并利用度信息编码和邻接信息编码来优化对SMILES序列的编码；Transformer模型将编码器的编码结果输入到解码器中进行解码，得到反应物集合的SMILES序列，进而转换得到相应的反应物。该方法解决了SMILES序列不能充分考虑分子结构信息的问题，提高了模型预测结果的准确度。

主权项：1.一种基于深度学习的逆合成预测方法，其特征在于：包括如下步骤：S1步，将目标产物转换为相应的SMILES序列；对SMILES序列进行结构信息的提取，结构信息包括分子中原子的度信息以及表示分子间原子之间连接状况的邻接矩阵信息；S2步，对度信息进行编码得到度信息编码；对邻接矩阵信息进行编码得到邻接信息编码；S3步，将SMILES序列输入Transformer模型编码器中，并利用度信息编码和邻接信息编码来优化对SMILES序列的编码；Transformer模型将编码器的编码结果输入到解码器中进行解码，得到反应物集合的SMILES序列；将反应物集合的SMILES序列进行转换得到相应的反应物；所述Transformer模型是指经过训练和测试处理的Transformer模型；所述S1步中，对SMILES序列进行提取：对于度信息，将SMILES序列中每个原子的度信息分别设定为与原子相关联的键数量，除原子外的特殊符号的度信息分别设定为‘0’；对于邻接矩阵信息，将两个原子之间相连的邻接矩阵信息的对应位置设定为‘1’，两个原子之间不相连的邻接矩阵信息的对应位置设定为‘0’，其余对应位置设定为‘N’；所述S2步中，将度信息的每个符号当作一个单词，构建出相应的词汇表，通过词汇表将度信息转换成相应的one-hot向量；将one-hot向量转换为相应的度信息编码：demb＝dWd其中，d的维度为度信息词汇表的长度，Wd为可学习的参数矩阵，demb为d对应的度信息编码，维度为SMILES序列每个符号的词向量维度；将邻接矩阵信息的每个符号当作一个单词，构建出相应的词汇表，通过词汇表将邻接矩阵信息转换成相应的one-hot向量；将one-hot向量转换为相应的邻接信息编码，由邻接信息编码构造出head个邻接信息编码矩阵：aemb＝aWa其中，a的维度为邻接矩阵信息词汇表的长度，Wa为可学习的参数矩阵，aemb为a对应的邻接信息编码，维度为Transformer编码器中多头自注意力层的注意力头数head；所述S3步，将度信息编码和SMILES序列的词向量进行相加作为Transformer模型编码器输入；将邻接信息编码嵌入到Transformer模型编码器的多头自注意层，以通过邻接信息来调整SMILES序列中原子间的注意力关系。

全文数据：

权利要求：

百度查询： 华南理工大学 一种基于深度学习的逆合成预测方法、装置、介质及设备