本发明提出一种用于发现和优化药物先导化合物的可泛化、可解释的深度图学习方法,该方法学习分子图的可泛化表示,并可根据要求优化分子的成药属性。我们首先从PubChem等公开数据库获取分子的各项分类和回归属性,经过图注意力神经网络量化、编码、提取分子中原子和键特征。然后针对分子属性进行分类和回归的可泛化学习。进而采用分子图注意力重构模块根据提取到的分子特征重构出分子图结构;最后利用对抗生成模型通过梯度自检出分子特征的关键扰动方向,并沿分子特征的关键扰动方向生成新的分子特征输入至重构模块,输出分子优化结果。这方法统一了AI分子属性的预测与优化,能够提高新药发现与设计的效率和成功率。
声明:
“用于发现和优化药物先导化合物的可泛化、可解释的深度图学习方法” 该技术专利(论文)所有权利归属于技术(论文)所有人。仅供学习研究,如用于商业用途,请联系该技术所有人。
我是此专利(论文)的发明人(作者)