(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111320765.X (22)申请日 2021.11.09 (65)同一申请的已公布的文献号 申请公布号 CN 114049922 A (43)申请公布日 2022.02.15 (73)专利权人 四川大学 地址 610000 四川省成 都市一环路南 一段 24号 (72)发明人 李川　曾严　蒲雪梅　刘江亭　 (74)专利代理 机构 四川省成 都市天策商标专利 事务所(有限合 伙) 51213 专利代理师 张秀敏 (51)Int.Cl. G16C 20/50(2019.01) G06K 9/62(2022.01) G06N 20/00(2019.01) (56)对比文件 CN 112071373 A,2020.12.1 1 CN 110534164 A,2019.12.0 3 CN 112270951 A,2021.01.26CN 112382350 A,2021.02.19 CN 112289372 A,2021.01.2 9 CN 112037868 A,2020.12.04 CN 110459274 A,2019.1 1.15 CN 112086146 A,2020.12.15 CN 112233723 A,2021.01.15 US 2021104294 A1,2021.04.08 Oscar Mendez -Lucio等. 《De n ovo generati on of hit-l ike molecules from gene expres sion signatures usi ng artificial i ntelligence》 . 《Nature Communications》 .2020,第10卷第1-10页. 胡振鑫 等. 《基 于Flask的蛋白质网络分析 平台设计》 . 《现代计算机》 .2021,(第07期),第 47-50页. 谭胖 等. 《机 器学习设计新型有机分子 研究 进展》 . 《有机化学》 .2021,第41卷(第07期),第 2666-2675页. (续) 审查员 曾贞 (54)发明名称 基于小规模数据集和生成模型的分子设计 方法 (57)摘要 本发明公开了基于小规模数据集和生成模 型的分子设计方法， 基于初始数据集Do构建扩展 数据集Da； 使用扩展数据集Da训练生成模型以调 整模型参数； 向评分模型引入训练好的生成模型 的信息， 使用初始数据集Do训练评分模型以调整 评分模型参数得到优化后的评分模 型； 使用初始 数据集Do调整训练好的生成模型的参数， 得到最 终的生成模型； 使用最终的生 成模型生成新分子 结构； 使用优化后的评分模型对新分子结构进行 评价和筛选， 得到候选分子。 大数据集由初始数 据集构建出来， 没有引用额外的数据， 不包含大 数据集中不存在的符号， 与使用预先定义好的原子或者片段组成分子的方法相比， 此方法所产生 的分子会拥有更好的性质， 更加自然， 更容易合 成。 [转续页] 权利要求书2页 说明书7页 附图1页 CN 114049922 B 2022.06.03 CN 114049922 B (56)对比文件 Peter Er t等. 《In silico generati on of novel, drug-l ike chemical mat ter using the LSTM neural netw ork》 . 《arXiv》 .2017,第 1-7页.2/2 页 2[接上页] CN 114049922 B1.一种基于小规模数据集和生成模型的分子设计方法， 其特 征在于， 包括： 步骤S100、 基于初始数据 集Do构建扩展数据 集Da， 包括对初始数据 集Do的全部分子拆分 为分子片段， 并聚集全部不重复的分子片段得到分子片段集合， 随机组合分子片段集合中 的分子片段得到分子结构， 从中挑选出通过合理性验证且没有出现在初始数据集Do的分子 结构分子扩展数据集Da； 步骤S200、 初始化 生成模型， 使用扩展数据集Da训练生成模型以调整模型参数； 步骤S300、 初始化评分模型， 并向评分模型引入训练好的生成模型的信息， 使用初始数 据集Do训练评分模型以调整评分模型参数得到优化后的评分模型； 所述生成模型采用语言 模型， 包括3层LSTM和1个全连接层； 所述评分模 型采用回归模 型， 包括2层LSTM和2个全 连接 层， 所述步骤S300具体包括： 步骤S310、 将评分模型的2层LSTM参数设置为生成模型前2层LSTM参数， 使生成模型的 信息引入评分模型； 步骤S320、 随机初始化评分模型除LSTM层以外的其 他参数； 步骤S330、 初始数据集Do中共有n条 数据， 遍历全部数据执 行下面步骤： 步骤S331、 使用独热编码将当前选择的第j个SMILES序列编码为张量Vs×m′， m'为全部数 据中不同符号的种类数目， s为SMILES序列的长度， 记当前选择的第j个SMILES序列对应的 标签为yj； 步骤S332、 以张量Vs×m′作为评分模型的输入， 得到 评分模型输出 步骤S333、 使用均方误差计算评分模型损失lmse： 步骤S334、 使用优化 算法优化评分模型参数以最小化评分模型损失lmse； 步骤S340、 多次重复步骤S3 30， 直到lmse损失lmse达到预设目标； 步骤S400、 使用初始数据集Do调整训练好的生成模型的参数， 得到最终的生成模型； 步骤S500、 使用最终的生成模型生成新分子结构； 步骤S600、 使用优化后的评分模型对新分子结构进行评价和筛 选， 得到候选分子 。 2.根据权利要求1所述的基于小规模数据集和生成模型的分子设计方法， 其特征在于， 所述步骤S100还包括采用枚举SMILES进行数据增强， 基于不同的分子片段中原子的排序， 得到多个不同SMI LES序列， 增 加扩展数据集Da的SMILES序列数目。 3.根据权利要求2所述的基于小规模数据集和生成模型的分子设计方法， 其特征在于， 所述步骤S200具体包括： 步骤S210、 随机初始化 生成模型参数； 步骤S220、 遍历全部扩展数据集Da执行下面步骤： 步骤S221、 对当前选择的SMILES序列添加特殊的符号 ‘BOS’和‘EOS’用于标识SMILES序 列的起始位置和结束位置； 步骤S222、 使用独热编码将SMILES序列编码为张量Vs×m， m指全部数据中不同符号的种 类数目， s为SMI LES序列的长度， 张量Vs×m指代一个分子；权　利　要　求　书 1/2 页 2 CN 114049922 B 3