公开(公告)号：CN115966266B

公开(公告)日：2023-11-17

申请号：CN202310015687.5

申请日：2023-01-06

Applicant: 东南大学

Inventor： 施喻甜 ,  王贝伦 ,  金桥 ,  王玟雯

IPC: G16C20/50 ,  G16C20/30 ,  G16C20/70 ,  G06N3/042 ,  G06N3/047 ,  G06N3/092 ,  G06N3/084 ,  G06F18/2415 ,  G06F18/243

Abstract: 本发明设计一种基于图神经网络的抗肿瘤分子强化学习方法，该方法包含以下步骤：步骤1：根据数据库中的分子标签将分子分为抗肿瘤(阳性)、非抗肿瘤(阴性)类别，步骤2：将所得图输入提出的抗肿瘤分子强化模型，根据阳性分子和阴性分子的不同性质学习图的隐式表示，获得抗肿瘤分子的局部结构特征，用于分子的一步生成和优化，步骤3：施加约束，进行目标优化，确保对分子强化过程中分子的类药性，步骤4：将获得的局部分子结构代入进行抗肿瘤分子的结构修改、优化，步骤5：使用已有分子性质合理检测工具，判断可合成性，输出合理分子，而针对不合理分子，进一步反向优化，步骤6：获得合理的新型抗肿瘤分子，任务结束。

公开(公告)号：CN115966266A

公开(公告)日：2023-04-14

申请号：CN202310015687.5

申请日：2023-01-06

Applicant: 东南大学

Inventor： 施喻甜 ,  王贝伦 ,  金桥 ,  王玟雯

IPC: G16C20/50 ,  G16C20/30 ,  G16C20/70 ,  G06N3/042 ,  G06N3/047 ,  G06N3/092 ,  G06N3/084 ,  G06F18/2415 ,  G06F18/243

Abstract: 本发明设计一种基于图神经网络的抗肿瘤分子强化学习方法，该方法包含以下步骤：步骤1：根据数据库中的分子标签将分子分为抗肿瘤(阳性)、非抗肿瘤(阴性)类别，步骤2：将所得图输入提出的抗肿瘤分子强化模型，根据阳性分子和阴性分子的不同性质学习图的隐式表示，获得抗肿瘤分子的局部结构特征，用于分子的一步生成和优化，步骤3：施加约束，进行目标优化，确保对分子强化过程中分子的类药性，步骤4：将获得的局部分子结构代入进行抗肿瘤分子的结构修改、优化，步骤5：使用已有分子性质合理检测工具，判断可合成性，输出合理分子，而针对不合理分子，进一步反向优化，步骤6：获得合理的新型抗肿瘤分子，任务结束。