基于深度学习的有机分子光学性质预测与分子设计.pdfVIP

PredictionofOpticalPropertiesandMolecularDesignof

OrganicMoleculesBasedonDeepLearning

AdissertationsubmittedtoSichuanUniversity

inpartialfulfillmentoftherequirements

forthedegreeof

MasterofEngineering

inComputerTechnology

By

ChengHuiWang

Supervisor：Prof.ChuanLi

ComputerScience,SichuanUniversity,Chengdu,China

June2024

摘要

摘要

有机光学分子是一类具有发光特性的有机化合物，其在生物医学、显示技术、信息

存储等多个领域具有广泛的应用。对其光学性质进行准确预测能提高实验效率、降低应

用成本；光学分子的逆向设计能够快速发现具有潜在优良光学性质的候选分子，加速相

关材料的开发。当前对于有机光学分子的性质预测模型以及逆向设计研究存在一定的问

题：(1)受限于特征表征、模型结构、数据质量等问题，光学性质的预测性能不够理想，

特别是光致发光量子产率，其2普遍在0.71左右；(2)因标准训练样本量较少，分子生

成的有效率仅28%左右，且后续分子筛选过程依赖量子化学模拟，计算资源消耗量巨大。

针对上述问题，本研究构建了基于图神经网络的光学性质预测模型，并从多方面对模型

进行优化，用以对多种光学性质进行准确预测，提出基于迁移学习的生成模型训练方法，

以提升分子生成的有效性，主要贡献包括：

(1)提出基于多重特征增强的图神经网络预测模型。针对单次读出的图神经网络容易损

失分子局部结构信息的问题，提出了多步读出策略，增强模型对于分子局部结构信

息的提取能力。针对单一分子图无法充分表示分子空间结构信息的缺陷，提出了多

构像处理策略，增强对于空间结构信息的提取能力。针对模型对于部分性质学习能

力不足的问题，提出了多任务处理策略，构建了相关融合模块，增强主任务的特征

信息。实验表明，对于光致发光量子产率、荧光寿命、消光系数，2分别从0.71、

0.74、0.79提升到了0.79、0.82、0.89。

(2)提出基于长短期记忆网络构建生成模型，针对光学分子数据有限且常规迁移学习方

式需进行数据集差异处理的问题，提出了基于自构建数据集的迁移学习策略，采用

组合化学的方法构建预训练数据集，避免了数据集差异处理过程。实验表明，本文

采用的迁移学习策略明显提升了生成模型生成分子的有效率，从28%提高到了80%，

并且根据预测模型成功筛选出30个具有优良光学性质的候选分子。

(3)设计实现了可用于有机分子光学性质预测和分子生成的网页，基于预测模型和生成

模型设计性质预测和分子生成两大核心模块，方便其他相关研究者进行有机光学分

子的性质预测和分子设计工作。

关键词：分子生成；图神经网络；有机光学分子；迁移学习；长短期记忆网络

I

基于深度学习的有机分子光学性质预测与分子设计

II

Abstract

Abstract

Organicopticalmoleculesareaclassoforganiccompoundswithlumi