基于人工智能的药物特征信息确定方法及装置与流程

1.本发明涉及一种智能医疗技术领域，特别是涉及一种基于人工智能的药物特征信息确定方法及装置。


背景技术：

2.近年来，智能医疗技术的应用领域已经从临床治疗逐步向药物研发方向发展，越来越多的人工智能技术涉足于药物对不同病症的适用情况的分析，从而准确找到适用于临床治疗的药物。尤其是针对药物的分子结构进行研究，从而基于药物特征来确定适合患者的治疗方案或者病症的治疗。目前，现有基于药物分子结构的研究均是采用物理实验方式来确定药物特征，然而，这样的药物分子结构识别过程较慢，无法有效的使用到临床治疗中，从而使得基于药物特征匹配病症在智能医疗中的使用效率较低，因此，亟需一种基于人工智能的药物特征信息确定方法来解决上述问题。


技术实现要素：

3.有鉴于此，本发明提供一种基于人工智能的药物特征信息确定方法及装置，主要目的在于解决现有药物特征信息确定准确性差的问题。
4.依据本发明一个方面，提供了一种基于人工智能的药物特征信息确定方法，包括：
5.获取目标药物的药物分子结构图像数据；
6.基于已完成训练的图像分类模型对所述药物分子结构图像数据进行分类处理，得到分子结构图像分类结果，所述图像分类模型为基于自注意力机制挖掘分子结构节点特征并通过图拓扑结构的辅助信息对图卷积网络进行分层池化后，完成训练得到的；
7.调取与所述分子结构图像分类结果匹配的药物特征处理流程；
8.基于所述药物特征处理流程对所述分子结构图像分类结果执行特征匹配操作，得到所述目标药物的药物特征信息。
9.进一步地，所述基于已完成训练的图像分类模型对所述药物分子结构图像数据进行分类处理，得到分子结构图像分类结果之前，所述方法还包括：
10.基于药物分子结构的节点数、邻接矩阵以及特征矩阵构建图卷积网络；
11.确定图拓扑增强的自注意力机制，并将所述自注意力机制引入所述图卷积网络的输入层，以进行分子结构节点特征的挖掘；
12.基于所述药物分子结构图像数据中解析得到的图拓扑结构，确定辅助信息，并基于所述辅助信息对所述引入所述自注意力机制的图卷积网络的各网络层进行池化，所述辅助信息包括所述药物分子结构图像数据的全局结构信息以及局部结构信息；
13.通过分子结构图像样本数据对完成池化后的图卷积网络进行模型训练，得到图像分类模型。
14.进一步地，所述确定图拓扑增强的自注意力机制包括：
15.基于初等残差对所述图卷积网络的输入层构建跳跃连接，并通过恒等映射对权重
矩阵进行单位化处理，将单位化处理后的所述图卷积网络与自注意力机制结合，得到图拓扑增强的自注意力机制。
16.进一步地，所述调取与所述分子结构图像分类结果匹配的药物特征处理流程之前，所述方法还包括：
17.接收对所述药物分子结构图像数据触发的分子分类任务，所述分子分类任务用于表征对不同药物分子结构图像数据执行所述药物特征处理流程中对应的处理节点；
18.所述调取与所述分子结构图像分类结果匹配的药物特征处理流程包括：
19.解析所述分子分类任务中所述药物分子结构图像数据的处理节点，并基于分类处理得到的分子结构图像分类结果与所述处理节点进行匹配，所述处理节点为所述药物特征处理流程中执行药物分子组成特征、药物分子属性特征以及药物分子结构匹配中的至少一个；
20.调取与所述分子结构图像分类结果所匹配的至少一个处理节点。
21.进一步地，所述基于所述药物特征处理流程对所述分子结构图像分类结果执行特征匹配操作，得到所述目标药物的药物特征信息包括：
22.计算所述分子结构图像分类结果分别与所述药物分子组成特征、所述药物分子属性特征以及所述药物分子结构之间的相似度；
23.若所述分子结构图像分类结果与所述药物分子组成特征的第一相似度大于预设第一相似度阈值，则确定包含所述药物分子组成特征的药物特征信息；和/或，
24.若所述分子结构图像分类结果与所述药物分子属性特征的第二相似度大于预设第二相似度阈值，则确定包含所述药物分子属性特征的药物特征信息；和/或，
25.若所述分子结构图像分类结果与所述药物分子结构的第三相似度大于预设第三相似度阈值，则确定包含所述药物分子结构的药物特征信息。
26.进一步地，所述基于所述药物特征处理流程对所述分子结构图像分类结果执行特征匹配操作，得到所述目标药物的药物特征信息之后，所述方法还包括：
27.获取疾病特征数据库，判断所述药物特征信息与所述疾病特征数据库中的各疾病特征信息是否具有对抗性属性；
28.若具有所述对抗性属性，则输出所述疾病特征信息。
29.进一步地，所述判断所述药物特征与所述疾病特征数据库中的各疾病特征信息是否具有对抗性属性包括：
30.获取对抗性属性列表，所述对抗性属性列表中记录有不同疾病特征信息的生物学特征信息、化学特征信息，分别与不同药物特效信息之间是否具有医疗关联的标记；
31.基于所述药物特征信息与所述生物学特征信息、所述化学特征信息所对应的标记判断是否具有对抗性属性。
32.依据本发明另一个方面，提供了一种基于人工智能的药物特征信息确定装置，包括：
33.获取模块，用于获取目标药物的药物分子结构图像数据；
34.处理模块，用于基于已完成训练的图像分类模型对所述药物分子结构图像数据进行分类处理，得到分子结构图像分类结果，所述图像分类模型为基于自注意力机制挖掘分子结构节点特征并通过图拓扑结构的辅助信息对图卷积网络进行分层池化后，完成训练得
到的；
35.调取模块，用于调取与所述分子结构图像分类结果匹配的药物特征处理流程；
36.匹配模块，用于基于所述药物特征处理流程对所述分子结构图像分类结果执行特征匹配操作，得到所述目标药物的药物特征信息。
37.进一步地，所述装置还包括：
38.构建模块，用于基于药物分子结构的节点数、邻接矩阵以及特征矩阵构建图卷积网络；
39.确定模块，用于确定图拓扑增强的自注意力机制，并将所述自注意力机制引入所述图卷积网络的输入层，以进行分子结构节点特征的挖掘；
40.解析模块，用于基于所述药物分子结构图像数据中解析得到的图拓扑结构，确定辅助信息，并基于所述辅助信息对所述引入所述自注意力机制的图卷积网络的各网络层进行池化，所述辅助信息包括所述药物分子结构图像数据的全局结构信息以及局部结构信息；
41.训练模块，用于通过分子结构图像样本数据对完成池化后的图卷积网络进行模型训练，得到图像分类模型。
42.进一步地，所述确定模块，具体用于基于初等残差对所述图卷积网络的输入层构建跳跃连接，并通过恒等映射对权重矩阵进行单位化处理，将单位化处理后的所述图卷积网络与自注意力机制结合，得到图拓扑增强的自注意力机制。
43.进一步地，所述装置还包括：
44.接收模块，接收对所述药物分子结构图像数据触发的分子分类任务，所述分子分类任务用于表征对不同药物分子结构图像数据执行所述药物特征处理流程中对应的处理节点；
45.所述调取模块包括：
46.解析单元，用于解析所述分子分类任务中所述药物分子结构图像数据的处理节点，并基于分类处理得到的分子结构图像分类结果与所述处理节点进行匹配，所述处理节点为所述药物特征处理流程中执行药物分子组成特征、药物分子属性特征以及药物分子结构匹配中的至少一个；
47.调取单元，用于调取与所述分子结构图像分类结果所匹配的至少一个处理节点。
48.进一步地，所述所述匹配模块包括：
49.计算单元，用于计算所述分子结构图像分类结果分别与所述药物分子组成特征、所述药物分子属性特征以及所述药物分子结构之间的相似度；
50.第一确定单元，用于若所述分子结构图像分类结果与所述药物分子组成特征的第一相似度大于预设第一相似度阈值，则确定包含所述药物分子组成特征的药物特征信息；和/或，
51.第二确定单元，用于若所述分子结构图像分类结果与所述药物分子属性特征的第二相似度大于预设第二相似度阈值，则确定包含所述药物分子属性特征的药物特征信息；和/或，
52.第三确定单元，用于若所述分子结构图像分类结果与所述药物分子结构的第三相似度大于预设第三相似度阈值，则确定包含所述药物分子结构的药物特征信息。
53.进一步地，所述装置还包括：
54.判断模块，用于获取疾病特征数据库，判断所述药物特征信息与所述疾病特征数据库中的各疾病特征信息是否具有对抗性属性；
55.输出模块，用于若具有所述对抗性属性，则输出所述疾病特征信息。
56.进一步地，所述判断模块包括：
57.获取单元，用于获取对抗性属性列表，所述对抗性属性列表中记录有不同疾病特征信息的生物学特征信息、化学特征信息，分别与不同药物特效信息之间是否具有医疗关联的标记；
58.判断单元，用于基于所述药物特征信息与所述生物学特征信息、所述化学特征信息所对应的标记判断是否具有对抗性属性。
59.根据本发明的又一方面，提供了一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述基于人工智能的药物特征信息确定方法对应的操作。
60.根据本发明的再一方面，提供了一种计算机设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
61.所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述基于人工智能的药物特征信息确定方法对应的操作。
62.借由上述技术方案，本发明实施例提供的技术方案至少具有下列优点：
63.本发明提供了一种基于人工智能的药物特征信息确定方法及装置，与现有技术相比，本发明实施例通过获取目标药物的药物分子结构图像数据；基于已完成训练的图像分类模型对所述药物分子结构图像数据进行分类处理，得到分子结构图像分类结果，所述图像分类模型为基于自注意力机制挖掘分子结构节点特征并通过图拓扑结构的辅助信息对图卷积网络进行分层池化后，完成训练得到的；调取与所述分子结构图像分类结果匹配的药物特征处理流程；基于所述药物特征处理流程对所述分子结构图像分类结果执行特征匹配操作，得到所述目标药物的药物特征信息，实现基于人工智能的药物特征的确定，大大加快了药物特征的识别准确性，减少人为识别的复杂度以及耗时，使得通过药物分子结构的识别来确定药物特征的速度大大加快，从而提高了药物特征匹配病症的有效性，并实现了一种智能化的药物特征确定。
64.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
65.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
66.图1示出了本发明实施例提供的一种基于人工智能的药物特征信息确定方法流程图；
67.图2示出了本发明实施例提供的另一种基于人工智能的药物特征信息确定方法流程图；
68.图3示出了本发明实施例提供的一种图卷积神经网络模型训练结构示意图；
69.图4示出了本发明实施例提供的又一种基于人工智能的药物特征信息确定方法流程图；
70.图5示出了本发明实施例提供的一种基于人工智能的药物特征信息确定装置组成框图；
71.图6示出了本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
72.下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
73.本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
74.人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
75.基于此，在一个实施例中，如图1所示，提供了一种基于人工智能的药物特征信息确定方法，以该方法应用于服务器等计算机设备为例进行说明，其中，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network,cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器，如智能医疗系统、数字医疗平台等。上述方法包括以下步骤：
76.101、获取目标药物的药物分子结构图像数据。
77.本发明实施例中，执行主体可以是带有信息推送功能的智能管理系统，例如，智能医疗系统、数据医疗平台等。示例性的，当前执行主体为智能医疗系统，目标药物为适用于待进行与药物特征确定的药物，对应的，目标药物的药物分子结构图像数据为使用图结构表示目标药物的分子，其中，药物分子结构图像数据中的图像内容为目标药物分子的原子-化学键结构，从图像内容中可以抽象得到以节点-边形式的空间特征、原子序数、电荷数等分子结构的特征内容，从而可以基于对图像数据的分类，得到对药物分子结构的一种分类实现方法，即通过图神经网络可以通过传递节点和边的信息等特定，捕捉图的局部关系自动学习图属性，从而高效的进行图分类任务。
78.需要说明的是，本发明实施例中的药物分子结构图像数据为作为当前执行主体的智能医疗系统基于制作分子结构图的计算机软件生成目标药物的药物分子结构图像数据
后进行加载得到的，此时，操作人员可以基于已经存储于当前智能医疗系统中的药物数据库获取与目标药物匹配的药物分子结构图像数据，也可以通过分子结构制作应用程序进行制作，并以智能医疗系统中的指定文件格式进行获取，本发明实施例不做具体限定。
79.102、基于已完成训练的图像分类模型对所述药物分子结构图像数据进行分类处理，得到分子结构图像分类结果。
80.本发明实施例中，由于药物分子结构图像数据中带有包含图节点和边，其中，图节点包含了实体信息，如化合物中的原子，边包含实体间的关系信息，如化合物图像数据中原子间的化学键，为了针对药物分子结构图像数据进行分类，以得到药物分子分类结果进行药物特征信息的确定，预先进行模型训练得到图像分类模型以对药物分子结构图数据进行分类处理，得到分子结构图像分类结果。其中，由于对药物分子结构图像数据是进行图神经网络的分类，对应得到的分子结构图像分类结果即为表示不同原子-化学键的分类结果，以便基于分子结构图像分类结果确定药物分子特征。
81.需要说明的是，为了解决图池化不足的限制，所述图像分类模型为基于自注意力机制挖掘分子结构节点特征并通过图拓扑结构的辅助信息对图卷积网络进行分层池化后，完成训练得到的，即构建图卷积神经网络后，在训练过程中，基于在图样本数据的邻接矩阵a和特征矩阵x的基础上，使用transformer启发的模块计算一个自注意力分数作为选择标准，以挖掘分子结构节点特征。同时，在图卷积神经网络中的第一层选择具有可学习得分函数l2pool的高得分节点，以删除不需要的节点，此时，函数l2pool依赖于自注意力和图卷积网络中增强的图拓扑结构的辅助信息，通过这种方式，可以在压缩原始图样本数据的节点规模的同时，保留尽可能多的信息，从而提高图像分类模型进行图分类的准确性。
82.103、调取与所述分子结构图像分类结果匹配的药物特征处理流程。
83.本发明实施例中，由于分子结构图像分类结果中包含有不同原子-化学键的分类结果，为了增加与药物特征信息确定的准确性，不同原子-化学键的分类结果对应不同的药物特征处理流程。其中，药物特征处理流程用于表征适用药物进行特征确定的流程，药物特征处理流程中包含有预先配置的对不同分子结构图像分类结果进行匹配的药物分子组成特征、药物分子属性特征、药物分子结构的处理节点，对不同处理节点进行任意组合而得到的处理流程，从而启动在各个处理节点处进行针对性的药物特征确定，从而确定是否具有疾病对抗性，以确定为针对某些疾病的治疗药物。
84.需要说明的是，本发明实施例中的智能医疗系统中预先存储有不同药物特征处理流程与不同分子结构图像分类结果之间的对应关系，以便对原子-化学键的分类结果进行进一步地特征确定，例如，原子a-化学键1的分类结果与药物分子组成特征、药物分子属性特征的药物特征处理流程匹配，则调取药物分子组成特征、药物分子属性特征的药物特征处理流程，以便基于药物分子组成特征、药物分子属性特征的处理节点对原子a-化学键1进行特征匹配处理，得到目标药物针对药物分子组成特征、药物分子属性特征的药物特征信息。
85.104、基于所述药物特征处理流程对所述分子结构图像分类结果执行特征匹配操作，得到所述目标药物的药物特征信息。
86.本发明实施例中，特征匹配操作即为按照已经确定的药物特征处理流程对分子结构图像分类结果中包含的原子-化学键的分类结果进行一一对应匹配，即基于智能医疗系
统中存储全部现存的药物分子组成特征、药物分子属性特征、药物分子结构与原子-化学键的分类结果进行相似度计算，从而确定目标药物的药物特征信息。
87.在一个本发明实施例中，为了进一步限定及说明，如图2所示，步骤102基于已完成训练的图像分类模型对所述药物分子结构图像数据进行分类处理，得到分67子结构图像分类结果之前，所述方法还包括：
88.201、基于药物分子结构的节点数、邻接矩阵以及特征矩阵构建图卷积网络；
89.202、确定图拓扑增强的自注意力机制，并将所述自注意力机制引入所述图卷积网络的输入层；
90.203、基于所述药物分子结构图像数据中解析得到的图拓扑结构，确定辅助信息，并基于所述辅助信息对所述引入所述自注意力机制的图卷积网络的各网络层进行池化；
91.204、通过分子结构图像样本数据对完成池化后的图卷积网络进行模型训练，得到图像分类模型。
92.本发明实施例中，为了实现对图像数据进行分类，因此，针对图像数据的特征，构建图卷积网络。如图3所示，一个待进行分类的分子结构图像样本数据为包含图节点和边形式的图像数据，因此，在构建图卷积网络时，基于药物分子结构的节点数、邻接矩阵、特征矩阵进行构建，即图像数据表示为g＝(a，x)，其中，a和x分别表示邻接矩阵和特征矩阵，图像数据中的图节点的个数为n，节点特征维度为d，则图卷积网络gnn通过图的拓扑结构和特征矩阵，为每个图节点生成用于学习的一个f维的图卷积网络表示h＝[h1,h2,...,hn]
t
＝gnn(a,x),h∈rn×f。同时，在邻接矩阵a和特征矩阵x的基础上，通过transformer启发的模块计算一个自注意力分数作为选择标准。为了确保在计算复杂度较强的情况下，本发明实施例中，确定自注意力机制为四头注意力，即表示为mh(q,k,v)＝[o1,...,oh]wo；其中，v、k、q是固定的单个值，q、k和v对应的学习参数矩阵为wq，wk和wv，此外，定义dmodel为多头注意力函数的输出维度。为了通过图卷积网络(graph convolutional network，gcn)模型来计算v，并为了避免过度平滑而局限于图卷积网络gcn浅层体系结构，限制其模型性能的问题，通过初始残差和恒等映射的gcnii(graph convolutional network via initial residual and identity mapping)来构建v，以显示化利用全局结构并根据图节点的结构依赖性捕获图节点之间的信息交互，即完成对分子结构节点特征的挖掘。
[0093]
需要说明的是，在将自注意力机制引入图卷积网络的输入层时，即第l层选择具有可学习得分函数l2pool的高得分图节点i(l 1)∈r
nl 1
i(l 1)∈rnl 1，以删除不需要的图节点，表示为：y
(l)
＝l2pool(att,h
(l)
,a
(l)
)；i
(l 1)
＝topk(y
(l)
)，其中，函数l2pool依赖于多头注意力和gcnii增强的拓扑信息，topk()函数通过丢弃得分较低的士节点来对前k个图节点进行采样，以在压缩图像数据的图节点规模的同时，保留尽可能多的信息，以便引入所述自注意力机制的图卷积网络的各网络层进行池化。其中，为了构建多尺度的图像数据，在每一个池化层，通过采样缩减图节点的规模得到一个粗化图像数据，此时，基于采样为图节点计算重要性得分，以保留最重要的前k个图节点以及它们间的连接关系生成粗化图像数据，实现图卷积网络的各网络层的池化。在此过程中，对各层进行池化的池化模型通过药物分子结构图像数据的全局结构信息以及局部结构信息，得到更有效的图表示，，所述辅助信息包括所述药物分子结构图像数据的全局结构信息以及局部结构信息，即通过辅助信息对所
述引入自注意力机制的图卷积网络的各网络层进行池化。最后，通过作为模型训练样本的分子结构图像样本数据对完成池化后的图卷积网络进行模型训练，得到图像分类模型。
[0094]
在一个本发明实施例中，为了进一步限定及说明，步骤202确定图拓扑增强的自注意力机制包括：基于初等残差对所述图卷积网络的输入层构建跳跃连接，并通过恒等映射对权重矩阵进行单位化处理，将单位化处理后的所述图卷积网络与自注意力机制结合，得到图拓扑增强的自注意力机制。
[0095]
为了避免因度平滑而局限于图卷积网络的浅层体系结构，而限制其模型性能的问题，本发明实施例中，初始残差和恒等映射的gcnii来构建四头注意力中的v。具体的，由于gcnii为带有初始剩余连接和恒等映射的gcn，在图卷积网络中的每一层中，初始残差在输入层构造一个跳跃连接，并通过恒等映射对权重矩阵进行单位化处理，即恒等映射将单位矩阵添加到权重矩阵，以将单位化处理后的图卷积网络与自注意力机制结合，以增加gcnii的网络深度时，防止过度平滑并持续改善gcnii的性能。
[0096]
其中，图拓扑增强的自注意力机制定义为：gchii(h,a)＝σ(((1-α)ah αh0)((1-β)in) βw))；用4层gcnii模型来构造值v，从而实现引入图拓扑信息优化重要的图节点的得分。
[0097]
需要说明的是，图卷积神经网络的输入为带图节点或连边的图像数据结构，即包括该图像数据的邻接矩阵a和对应的特征属性信息x。图卷积神经网络根据图结构和输入节点属性，训练图像数据中每个图节点的隐式向量表示，目标是让该向量表示包含足够强大的表达信息，使其能够帮助每个图节点进行信息抽取，最后可以获得整个图的信息向量表示，如对于一个原子和化学键组成的分子图，通过原子节点的特征，和原子之间的连边化学键信息，抽取出整个分子化合物的分子级别的信息表示。图卷积神经网络模型学习的主要过程是通过迭代对图数据中图节点的邻居信息进行聚合和更新。在每一次迭代中，每一个图节点通过聚合邻居节点的特征及自己在上一层的特征来更新自己的信息，通常也会对聚合后的信息进行非线性变换。通过堆叠多层网络，每个图节点可以获取到相应跳数内的邻居节点信息，以基于transformer自注意力机制和图像数据的网络拓扑信息的新的图粗化方法，如通过粗化池化方法包括节点特征、图拓扑两个特征来实现，本发明实施例不做具体限定。
[0098]
在一个本发明实施例中，为了进一步限定及说明，步骤103调取与所述分子结构图像分类结果匹配的药物特征处理流程之前，所述方法还包括：接收对所述药物分子结构图像数据触发的分子分类任务。
[0099]
本发明实施例中，由于药物特征处理流程中包含预先配置的对不同分子结构图像分类结果进行匹配的药物分子组成特征、药物分子属性特征、药物分子结构中至少一个处理节点，为了满足不同药物特征信息匹配的操作需求，使得不同操作者基于智能医疗系统进行自动、灵活地执行药物特征处理流程，预先为药物特征处理流程配置分子分类任务，以便操作者进行触发分子分类任务来执行不同药物分子结构的药物特征处理流程的触发。其中，所述分子分类任务用于表征对不同药物分子结构图像数据执行所述药物特征处理流程
中对应的处理节点，即针对不同的处理节点，可以通过不同的分子分类任务进行触发，以便具有针对性的完成对不同分子结构图像分类结果的药物特征处理流程的执行。
[0100]
对应的，步骤103调取与所述分子结构图像分类结果匹配的药物特征处理流程包括：解析所述分子分类任务中所述药物分子结构图像数据的处理节点，并基于分类处理得到的分子结构图像分类结果与所述处理节点进行匹配；调取与所述分子结构图像分类结果所匹配的至少一个处理节点。
[0101]
本发明实施例中，所述处理节点为所述药物特征处理流程中执行药物分子组成特征、药物分子属性特征以及药物分子结构匹配中的至少一个，即处理节点包括药物分子组成特征处理节点、药物分子属性特征处理节点、药物分子结构处理节点，此时，由于分子分类任务中带有未进行图像分类处理之前药物分子结构图像数据所预期进行的处理节点，但并不是所有的药物分子结构图像数据在进行图像分类后仍可以按照处理节点进行执行，因此，首先解析分子分类任务中药物分子结构图像数据的处理节点，然后基于分类处理得到的分子结构图像分类结果与处理节点进行匹配，以便调取最终与分子结构图像分类结果所匹配的至少一个处理节点。例如，若目标药物a的分子分类任务中药物分子结构图像数据的处理节点为药物分子组成特征处理节点、药物分子属性特征处理节点、药物分子结构处理节点，当对药物分子结构图像数据进行分类处理后，得到的分子结构图像分类结果中的原子a-化学键1所对应的处理节点匹配药物分子组成特征处理节点、药物分子结构处理节点，则调取药物分子组成特征处理节点、药物分子结构处理节点，以进行处理节点的执行。其中，对于各分子结构图像分类结果与处理节点之间的匹配，可以通过预先录入一个匹配关系列表，以便准确对不同的分子结构图像分类结果与处理节点进行匹配，本发明实施例对匹配关系列表不做具体限定。
[0102]
在一个本发明实施例中，为了进一步限定及说明，如图4所示，步骤104基于所述药物特征处理流程对所述分子结构图像分类结果执行特征匹配操作，得到所述目标药物的药物特征信息包括：
[0103]
1041、计算所述分子结构图像分类结果分别与所述药物分子组成特征、所述药物分子属性特征以及所述药物分子结构之间的相似度；
[0104]
1042、若所述分子结构图像分类结果与所述药物分子组成特征的第一相似度大于预设第一相似度阈值，则确定包含所述药物分子组成特征的药物特征信息；和/或，
[0105]
1043、若所述分子结构图像分类结果与所述药物分子属性特征的第二相似度大于预设第二相似度阈值，则确定包含所述药物分子属性特征的药物特征信息；和/或，
[0106]
1044、若所述分子结构图像分类结果与所述药物分子结构的第三相似度大于预设第三相似度阈值，则确定包含所述药物分子结构的药物特征信息。
[0107]
为了使分子结构图像分类结果与药物特征处理流程中的各个处理节点进行特征匹配操作，在调取对应的处理节点，如药物分子组成特征处理节点、药物分子属性特征处理节点、药物分子结构处理节点之后，执行对应的匹配操作。本发明实施例中，对于各个处理节点的匹配操作即为按照各处理节点对分子结构图像分类结果进行相似度计算，从而基于得到的相似度确定目标药物的药物特征信息。本发明实施例中，药物分子组成特征处理节点中，通过将分子结构图像分类结果与智能医疗系统中已存储的药物分子组成特征进行相似度计算，由于分子结构图像分类结果包含原子-化学键的图像数据，具体则通过与药物分
子组成特征所对应的图像进行相似度计算，从而判断计算得到的相似度值是否大于第一相似度阈值，若是，则确定目标药物包含药物分子组成特征的药物特征信息。药物分子属性特征处理节点中，通过将分子结构图像分类结果与智能医疗系统中已存储的药物分子属性特征进行相似度计算，由于分子结构图像分类结果包含原子-化学键的图像数据，具体则通过与药物分子属性特征所对应的图像进行相似度计算，从而判断计算得到的相似度值是否大于第二相似度阈值，若是，则确定目标药物包含药物分子属性特征的药物特征信息。药物分子结构处理节点通过将分子结构图像分类结果与智能医疗系统中已存储的药物分子结构进行相似度计算，由于分子结构图像分类结果包含原子-化学键的图像数据，具体则通过与药物分子结构所对应的图像进行相似度计算，从而判断计算得到的相似度值是否大于第三相似度阈值，若是，则确定目标药物包含药物分子结构的药物特征信息。
[0108]
另外，药物分子组成特征用于表征药物中由不同分子所组成的特征内容，例如，包含环芳烃、甲基等分子组成特征，药物分子属性特征用于表征药物中由不同分子所产生的物理或化学属性，例如，甲苯-易氧化等化学属性，药物分子结构用于表征分子之间的化学键结构，例如，芳香烃具有苯环的基本分子结构，因此，可以通过药物分子组成特征、药物分子属性特征、药物分子结构所对应的处理节点对分子结构图像分类结果进行匹配，本发明实施例中，为了提高匹配的准确性，还可以将药物分子组成特征、药物分子属性特征、药物分子结构进行数值化处理，并同时将分子结构图像分类结果进行数值化处理，从而将待进行相似度计算的药物分子组成特征、药物分子属性特征、药物分子结构进行数与分子结构图像分类结果放入一个数据单位进行相似度计算，完成匹配过程。
[0109]
在一个本发明实施例中，为了进一步限定及说明，步骤基于所述药物特征处理流程对所述分子结构图像分类结果执行特征匹配操作，得到所述目标药物的药物特征信息之后，所述方法还包括：获取疾病特征数据库，判断所述药物特征信息与所述疾病特征数据库中的各疾病特征信息是否具有对抗性属性；若具有所述对抗性属性，则输出所述疾病特征信息。
[0110]
本发明实施例中，为了满足智能医疗系统针对目标药物的药物特征信息的使用需求，在得到药物特征信息后，可以将药物特征信息与各疾病特征信息进行判断是否存在对抗性，以确定是否向用户输出与药物特征信息相关的疾病特征信息，从而进行相关疾病的治疗操作。其中，存储于智能医疗系统中的疾病特征数据库中记录有各种已知的疾病所对应的疾病特征信息，此时，疾病特征信息用于表征疾病对人体所产生的病症内容，例如，某疾病会造成血压高于180mmhg，某疾病会造成肾上腺素极具减少等，此时，对抗性属性即为药物特征信息与疾病特征信息之间是否存在相互起到相反作用的属性，例如，药物特征信息是否对疾病特征信息中的血压低起到升压作用，若存在对抗性属性，则说明此目标药物可以作为此疾病特征信息所对应的疾病的治疗或者缓解症状的作用，已经输出给用户进行查看。
[0111]
在一个本发明实施例中，为了进一步限定及说明，步骤判断所述药物特征与所述疾病特征数据库中的各疾病特征信息是否具有对抗性属性包括：获取对抗性属性列表；基于所述药物特征信息与所述生物学特征信息、所述化学特征信息所对应的标记判断是否具有对抗性属性。
[0112]
在判断药物特征信息与疾病特征信息之间是否具有对抗性属性时，具体通过智能
医疗系统中的对抗性属性列表，所述对抗性属性列表中记录有不同疾病特征信息的生物学特征信息、化学特征信息，分别与不同药物特效信息之间是否具有医疗关联的标记，此标记即为通过医疗实验所确定的具有医疗关联性的对抗性属性，例如，对抗性属性列表中记载药物分子属性特征a与生物学特征信息的提高细胞接收氧原子速度特征之间存在标记，则说明包含有药物分子属性特征a的药物特征信息的目标药物可以用于治疗细胞接收氧原子速度较慢的疾病。因此，通过药物特征信息与所述生物学特征信息、所述化学特征信息所对应的标记判断是否具有对抗性属性。其中，不同疾病特征信息的生物学特征信息、化学特征信息分别为用于预先录入至智能医疗系统中的信息，作为各疾病的特征内容，生物学特征信息为疾病所展现的生理或生物学上的症状特征，例如，疼痛、发烧、血项值、细胞量等，化学特征信息为疾病所展现的化学成分上的症状特征，激素值等，本发明实施例不做具体限定。
[0113]
本发明实施例提供了一种基于人工智能的药物特征信息确定方法，与现有技术相比，本发明实施例通过获取目标药物的药物分子结构图像数据；基于已完成训练的图像分类模型对所述药物分子结构图像数据进行分类处理，得到分子结构图像分类结果，所述图像分类模型为基于自注意力机制挖掘分子结构节点特征并通过图拓扑结构的辅助信息对图卷积网络进行分层池化后，完成训练得到的；调取与所述分子结构图像分类结果匹配的药物特征处理流程；基于所述药物特征处理流程对所述分子结构图像分类结果执行特征匹配操作，得到所述目标药物的药物特征信息，实现基于人工智能的药物特征的确定，大大加快了药物特征的识别准确性，减少人为识别的复杂度以及耗时，使得通过药物分子结构的识别来确定药物特征的速度大大加快，从而提高了药物特征匹配病症的有效性，并实现了一种智能化的药物特征确定。
[0114]
进一步的，作为对上述图1所示方法的实现，本发明实施例提供了一种基于人工智能的药物特征信息确定装置，如图5所示，该装置包括：
[0115]
获取模块31，用于获取目标药物的药物分子结构图像数据；
[0116]
处理模块32，用于基于已完成训练的图像分类模型对所述药物分子结构图像数据进行分类处理，得到分子结构图像分类结果，所述图像分类模型为基于自注意力机制挖掘分子结构节点特征并通过图拓扑结构的辅助信息对图卷积网络进行分层池化后，完成训练得到的；
[0117]
调取模块33，用于调取与所述分子结构图像分类结果匹配的药物特征处理流程；
[0118]
匹配模块34，用于基于所述药物特征处理流程对所述分子结构图像分类结果执行特征匹配操作，得到所述目标药物的药物特征信息。
[0119]
进一步地，所述装置还包括：
[0120]
构建模块，用于基于药物分子结构的节点数、邻接矩阵以及特征矩阵构建图卷积网络；
[0121]
确定模块，用于确定图拓扑增强的自注意力机制，并将所述自注意力机制引入所述图卷积网络的输入层，以进行分子结构节点特征的挖掘；
[0122]
解析模块，用于基于所述药物分子结构图像数据中解析得到的图拓扑结构，确定辅助信息，并基于所述辅助信息对所述引入所述自注意力机制的图卷积网络的各网络层进行池化，所述辅助信息包括所述药物分子结构图像数据的全局结构信息以及局部结构信
息；
[0123]
训练模块，用于通过分子结构图像样本数据对完成池化后的图卷积网络进行模型训练，得到图像分类模型。
[0124]
进一步地，所述确定模块，具体用于基于初等残差对所述图卷积网络的输入层构建跳跃连接，并通过恒等映射对权重矩阵进行单位化处理，将单位化处理后的所述图卷积网络与自注意力机制结合，得到图拓扑增强的自注意力机制。
[0125]
进一步地，所述装置还包括：
[0126]
接收模块，接收对所述药物分子结构图像数据触发的分子分类任务，所述分子分类任务用于表征对不同药物分子结构图像数据执行所述药物特征处理流程中对应的处理节点；
[0127]
所述调取模块包括：
[0128]
解析单元，用于解析所述分子分类任务中所述药物分子结构图像数据的处理节点，并基于分类处理得到的分子结构图像分类结果与所述处理节点进行匹配，所述处理节点为所述药物特征处理流程中执行药物分子组成特征、药物分子属性特征以及药物分子结构匹配中的至少一个；
[0129]
调取单元，用于调取与所述分子结构图像分类结果所匹配的至少一个处理节点。
[0130]
进一步地，所述所述匹配模块包括：
[0131]
计算单元，用于计算所述分子结构图像分类结果分别与所述药物分子组成特征、所述药物分子属性特征以及所述药物分子结构之间的相似度；
[0132]
第一确定单元，用于若所述分子结构图像分类结果与所述药物分子组成特征的第一相似度大于预设第一相似度阈值，则确定包含所述药物分子组成特征的药物特征信息；和/或，
[0133]
第二确定单元，用于若所述分子结构图像分类结果与所述药物分子属性特征的第二相似度大于预设第二相似度阈值，则确定包含所述药物分子属性特征的药物特征信息；和/或，
[0134]
第三确定单元，用于若所述分子结构图像分类结果与所述药物分子结构的第三相似度大于预设第三相似度阈值，则确定包含所述药物分子结构的药物特征信息。
[0135]
进一步地，所述装置还包括：
[0136]
判断模块，用于获取疾病特征数据库，判断所述药物特征信息与所述疾病特征数据库中的各疾病特征信息是否具有对抗性属性；
[0137]
输出模块，用于若具有所述对抗性属性，则输出所述疾病特征信息。
[0138]
进一步地，所述判断模块包括：
[0139]
获取单元，用于获取对抗性属性列表，所述对抗性属性列表中记录有不同疾病特征信息的生物学特征信息、化学特征信息，分别与不同药物特效信息之间是否具有医疗关联的标记；
[0140]
判断单元，用于基于所述药物特征信息与所述生物学特征信息、所述化学特征信息所对应的标记判断是否具有对抗性属性。
[0141]
本发明实施例提供了一种基于人工智能的药物特征信息确定装置，与现有技术相比，本发明实施例通过获取目标药物的药物分子结构图像数据；基于已完成训练的图像分
类模型对所述药物分子结构图像数据进行分类处理，得到分子结构图像分类结果，所述图像分类模型为基于自注意力机制挖掘分子结构节点特征并通过图拓扑结构的辅助信息对图卷积网络进行分层池化后，完成训练得到的；调取与所述分子结构图像分类结果匹配的药物特征处理流程；基于所述药物特征处理流程对所述分子结构图像分类结果执行特征匹配操作，得到所述目标药物的药物特征信息，实现基于人工智能的药物特征的确定，大大加快了药物特征的识别准确性，减少人为识别的复杂度以及耗时，使得通过药物分子结构的识别来确定药物特征的速度大大加快，从而提高了药物特征匹配病症的有效性，并实现了一种智能化的药物特征确定。
[0142]
根据本发明一个实施例提供了一种存储介质，所述存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的基于人工智能的药物特征信息确定方法。
[0143]
图6示出了根据本发明一个实施例提供的一种计算机设备的结构示意图，本发明具体实施例并不对计算机设备的具体实现做限定。
[0144]
如图6所示，该计算机设备可以包括：处理器(processor)402、通信接口(communications interface)404、存储器(memory)406、以及通信总线408。
[0145]
其中：处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。
[0146]
通信接口404，用于与其它设备比如客户端或其它服务器等的网元通信。
[0147]
处理器402，用于执行程序410，具体可以执行上述基于人工智能的药物特征信息确定方法实施例中的相关步骤。
[0148]
具体地，程序410可以包括程序代码，该程序代码包括计算机操作指令。
[0149]
处理器402可能是中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算机设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。
[0150]
存储器406，用于存放程序410。存储器406可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0151]
程序410具体可以用于使得处理器402执行以下操作：
[0152]
获取目标药物的药物分子结构图像数据；
[0153]
基于已完成训练的图像分类模型对所述药物分子结构图像数据进行分类处理，得到分子结构图像分类结果，所述图像分类模型为基于自注意力机制挖掘分子结构节点特征并通过图拓扑结构的辅助信息对图卷积网络进行分层池化后，完成训练得到的；
[0154]
调取与所述分子结构图像分类结果匹配的药物特征处理流程；
[0155]
基于所述药物特征处理流程对所述分子结构图像分类结果执行特征匹配操作，得到所述目标药物的药物特征信息。
[0156]
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示
出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
[0157]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。