基于机器学习的化学通路分析预测方法及终端设备与流程

技术特征：
1.一种化学分子结构的图表征方法，其特征在于，每个化学分子表征为一个无向图，使用图的节点表征一个个化学原子，使用图的无向边表征原子之间的连接。2.一种化学反应的图表征方法，其特征在于，使用有向图表征每个化学反应，图的节点表征一个化学分子，使用图的有向边表征化学分子参与反应的方向，并在反应输入端和输出端各设置一个虚拟节点，以完成对所有类型的化学反应的图表征。3.一种化学通路数据库的构建方法，其特征在于，按照权利要求1所述的分子结构图表征方法保存化学分子，按照权利要求2所述的化学反应通路图表征方法保存化学反应。4.一种针对化学分子的分析计算方法，其特征在于，使用图卷积神经网络模型开展分析计算工作，包括以下步骤：步骤1)首先针对化学物质的smiles分子结构构建其对应的属性图；步骤2)将属性图输入到一个图卷积神经网络中，通过多个组合层(卷积层、池化层、激活层)的计算实现对图的嵌入，即完成将图由拓扑结构转换为一个d维向量的工作；步骤3)将smiles结构中有关化学物质的其他特征向量与图神经网络嵌入后的d维向量相结合输入到特征聚合层，通过pca实现对整个化学分子结构的特征向量的提取和聚合；步骤4)通过一个softmax层实现对化学分子分析结果的输出和预测。5.一种快速子图匹配检测技术，其特征在于，通过基于区域遍历的子图同构算法，借助异构硬件实现快速子图匹配。6.一种反应模式的挖掘方法，其特征在于，采用权利要求5所述的快速子图匹配检测技术，实现确定反应中心和挖掘反应特征两个过程。7.一种反应规则的提取方法，其特征在于，给定反应r的数据库，对于每个反应r，我们识别其所有“反应物-产物”配对。从每个配对中，提取并存储以下信息：(1)权利要求6所述的反应模式；(2)反应物到产物所添加和删除的子图；(3)反应r中除该配对中的反应物之外的所有反应物。我们把从单个配对中提取的上述信息称为反应规则。8.一种反应规则网络的构建方法，其特征在于，在反应规则网络中，每个节点都是一个权利要求7所述的反应规则，如果两个规则可能形成一个反应路径，则它们通过一个边连接起来。9.一种对未知反应路径的预测方法，其特征在于，借助权利要求8所述的反应规则网络，结合通路预测技术，实现对未知反应路径的预测。10.一种终端设备，包含cpu、gpu、存储单元并可在此终端设备上运行的计算机程序，其特征在于，所述终端设备能够正确执行权利要求1到9中任一项步骤。

技术总结
本申请针对现有化学反应路径预测技术中存在的设计效率慢、预测精度低等问题，提出一种基于机器学习的化学通路分析预测方法。通过四层架构：数据支撑层、数据计算层、规则网络层和路径预测层，实现对未知反应路径的快速、高精度预测。本申请基于图表征的方式构建大规模底层化学数据库，能够很好的体现化学反应中分子的结构变化；通过图卷积神经网络模型和快速子图匹配检测技术，准确地提取出化学分子特征、反应模式等信息，有效提高了通路预测的精准度。本申请借助通路预测技术，实现从反应物到目标产物在反应规则网络的快速搜索，极大提高了生物反应路径的预测效率，降低了路径预测的成本。的成本。的成本。


技术研发人员：张毅 周龙飞 吴振东
受保护的技术使用者：中芯未来（北京）科技有限公司
技术研发日：2021.05.10
技术公布日：2022/11/10