CN116312846B 一种基于强化学习和分子网络数据增强的药物性质预测方法 （浙江工业大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN116312846B(45)授权公告日2025.07.01

(21)申请号202211089773.2

(22)申请日2022.09.07

(65)同一申请的已公布的文献号申请公布号CN116312846A

(43)申请公布日2023.06.23

(73)专利权人浙江工业大学

地址310014浙江省杭州市拱墅区潮王路

18号

(72)发明人邵佳飞陈稳舟王金焕汪泽钰宣琦魏斌王鸿

(74)专利代理机构杭州天正专利事务所有限公

司33201专利代理师舒良

G16C20/50(2019.01)

GO6F18/2415(2023.01)

GO6N3/047(2023.01)

GO6N3/0464(2023.01)

GO6N3/08(2023.01)

(56)对比文件

TianyiJiang等.ScaffoldData

AugmentationforMolecularProperty

Prediction.BigDataandSocialComputing(BDSC2023).2023,389-402.

JinhuanWang等.SubgraphNetworksBasedContrastiveLearning.https:///abs/2306.03506.2023,1-12.

审查员罗倩

(51)Int.CI.

G16C20/30(2019.01)权利要求书3页说明书6页附图3页

(54)发明名称

一种基于强化学习和分子网络数据增强的药物性质预测方法

(57)摘要

CN116312846B一种基于强化学习和分子网络数据增强的药物性质预测方法，包括以下步骤：1)获取原始化合物数据集，并输入图增强模型中；2)图数据通过三层GIN网络获得节点表示，通过一个多层感知器选择起始节点；3)再通过一个MLP选择结束节点；4)确定好两节点后通过增删连边策略构建新图G+1;5)计算奖励评估生成的新图；6)用蒙特卡洛策略梯度进行生成器优化；7)重复进行步骤(1)～(6)N次，将每一次迭代奖励大于0的新图和全部迭代后奖励均小于0的原始图存储起来构建新图数据集；8)用新图数据集扩充原始图数据集；9)用增强的数据集训练GIN分类模型；10)将

CN116312846B

获取原始数据集

获取原始数据集

获得起始节点索引

获得结束节点索引

根据增题述边策略修改起始节点和结束节点间连按情况

将奖励大于D的新图添加到新图数据集

训陈生成器次数》一预设值N

新图数据集扩充原始败据集，构建增强数据集

训练3层GIN分类模型

测试模型，获取分类结果。实现药物性质预测

CN116312846B权利要求书1/3页

2

1.一种基于强化学习和分子网络数据增强的药物性质预测方法，其特征在于，包括以下步骤：

S1:获取原始化合物数据集，并输入到基于强化学习的图增强模型中；

S2:输入图数据G,首先通过三层图卷积神经网络GCNs聚合领域信息和学习节点特征，接着通过第一个多层感知器MLP预测起始节点的概率Pn,start,并从概率分布中确定起始节点索引，将此节点标记为an,start

S3:“广播”串联起始节点与所有节点的特征，使用第二个MLP计算结束节点的概率Pn,nd,并从概率分布中确定结束节点索引，将此节点标记为an,end;

S4:确定好边的起始节点和结束节点后通过增删连边策略构建新图Gn+;

S5:计算奖励R来评估生成的新图，奖励R,中的一个部分来自训练后的分类模型g(·)的反馈，另一部分部分来自图规则约束；

S6:用蒙特卡洛策略梯度训练生成器；

S7:重复进行S2到S6过程，直到迭代次数达到预设值N,然后将每一次迭代中R,大于0条件下生成的新图和全部迭代下R均小于0的原始图存储起来作为新图数据集合；

S8:将原始图数据集随机划分为训练集和验证集，接着用新图数据集扩充到原始图数据集，实现数据增强；

S9:用所有的原始训练集和从新图数据集中抽取相同数量的数据训练GIN模型，同时用原始验证集验证GIN模型性能，当验证损失不再呈现下降趋势，仅在小范围波动，则使用早停法停止训练；

S