本發(fā)明涉及反應(yīng)條件預(yù)測(cè)，具體涉及一種通過產(chǎn)率預(yù)測(cè)排名的反應(yīng)條件推薦方法及裝置。

背景技術(shù)：

1、在化學(xué)領(lǐng)域的合成任務(wù)中，目標(biāo)化合物往往是通過一系列的化學(xué)合成最終得到的。在合成過程中，提高合成的產(chǎn)率尤為重要，只有高產(chǎn)率的合成路線才會(huì)被化學(xué)家們接受并使用。為了提高反應(yīng)的產(chǎn)率，化學(xué)家們根據(jù)經(jīng)驗(yàn)去嘗試不同的反應(yīng)條件，直到產(chǎn)率達(dá)到要求為止。而這個(gè)過程往往需要漫長(zhǎng)的實(shí)驗(yàn)過程，需要大量的原料、人力和時(shí)間成本。此外，存在一些反應(yīng)，盡管實(shí)驗(yàn)了大量的反應(yīng)條件無法得到的高產(chǎn)率，這樣的路線會(huì)被放棄。若存在一個(gè)方法能夠預(yù)測(cè)出反應(yīng)產(chǎn)率最高的反應(yīng)條件以及能達(dá)到的產(chǎn)率值，可以幫助化學(xué)家們節(jié)省非常多的實(shí)驗(yàn)時(shí)間，提高整個(gè)化學(xué)合成的效率。

2、如今，隨著深度學(xué)習(xí)的發(fā)展，用于反應(yīng)條件預(yù)測(cè)的方法有了很大進(jìn)展。然而，現(xiàn)有的反應(yīng)條件預(yù)測(cè)方法的準(zhǔn)確度存在誤差，它們往往會(huì)推薦出多個(gè)反應(yīng)條件來提高模型命中率。但對(duì)于使用者來說，他們并不知道這多個(gè)反應(yīng)條件中最好的是哪一個(gè)，所以仍然需要通過多次實(shí)驗(yàn)去確認(rèn)預(yù)測(cè)結(jié)果。

3、因此，如何發(fā)明一種推薦高產(chǎn)率反應(yīng)條件及其對(duì)應(yīng)產(chǎn)率值預(yù)測(cè)的方法，成為亟需解決的問題。

技術(shù)實(shí)現(xiàn)思路

1、為此，本發(fā)明提供一種通過產(chǎn)率預(yù)測(cè)排名的反應(yīng)條件推薦方法及裝置，通過產(chǎn)率預(yù)測(cè)對(duì)推薦的反應(yīng)條件進(jìn)行排序，為使用者提供高產(chǎn)率的反應(yīng)條件，同時(shí)給出產(chǎn)率值來說明反應(yīng)的產(chǎn)率上限。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：一種通過產(chǎn)率預(yù)測(cè)排名的反應(yīng)條件推薦方法，包括：

3、對(duì)原始數(shù)據(jù)集進(jìn)行篩選過濾處理，提取反應(yīng)的分子smiles、反應(yīng)條件和產(chǎn)率，生成樣本數(shù)據(jù)集；

4、將所述樣本數(shù)據(jù)集中同一反應(yīng)擁有若干反應(yīng)條件的樣本進(jìn)行處理，保留產(chǎn)率最大的樣本，生成反應(yīng)條件數(shù)據(jù)集；

5、將所述樣本數(shù)據(jù)集中同一反應(yīng)擁有若干反應(yīng)條件的樣本進(jìn)行處理，保留全部樣本，生成反應(yīng)產(chǎn)率數(shù)據(jù)集；

6、基于圖卷積網(wǎng)絡(luò)和非線性神經(jīng)網(wǎng)絡(luò)，構(gòu)建反應(yīng)條件預(yù)測(cè)模型；通過所述反應(yīng)條件數(shù)據(jù)集對(duì)所述反應(yīng)條件預(yù)測(cè)模型進(jìn)行訓(xùn)練，獲得訓(xùn)練好的反應(yīng)條件預(yù)測(cè)模型；

7、基于多層非線性神經(jīng)網(wǎng)絡(luò)，構(gòu)建反應(yīng)產(chǎn)率預(yù)測(cè)模型；通過所述反應(yīng)產(chǎn)率數(shù)據(jù)集對(duì)所述反應(yīng)產(chǎn)率預(yù)測(cè)模型進(jìn)行訓(xùn)練，獲得訓(xùn)練好的反應(yīng)產(chǎn)率預(yù)測(cè)模型；

8、將目標(biāo)反應(yīng)的分子smiles輸入所述訓(xùn)練好的反應(yīng)條件預(yù)測(cè)模型，通過所述訓(xùn)練好的反應(yīng)條件預(yù)測(cè)模型進(jìn)行預(yù)測(cè)處理，獲得所述目標(biāo)反應(yīng)的反應(yīng)條件組合；將所述目標(biāo)反應(yīng)的分子smiles及所述反應(yīng)條件組合中的分子smiles，逐一輸入所述訓(xùn)練好的反應(yīng)產(chǎn)率預(yù)測(cè)模型，通過所述訓(xùn)練好的反應(yīng)產(chǎn)率預(yù)測(cè)模型進(jìn)行預(yù)測(cè)處理，獲得所述反應(yīng)條件組合對(duì)應(yīng)的產(chǎn)率；將所述反應(yīng)條件組合對(duì)應(yīng)的產(chǎn)率進(jìn)行排序，將產(chǎn)率最大的反應(yīng)條件組合作為推薦結(jié)果。

9、作為一種通過產(chǎn)率預(yù)測(cè)排名的反應(yīng)條件推薦方法的優(yōu)選方案，在生成所述反應(yīng)條件數(shù)據(jù)集的過程中，將反應(yīng)的分子smiles作為輸入，反應(yīng)條件作為標(biāo)簽，生成所述反應(yīng)條件數(shù)據(jù)集。

10、作為一種通過產(chǎn)率預(yù)測(cè)排名的反應(yīng)條件推薦方法的優(yōu)選方案，在生成所述反應(yīng)產(chǎn)率數(shù)據(jù)集的過程中，將反應(yīng)及反應(yīng)條件的分子smiles作為輸入，反應(yīng)產(chǎn)率作為標(biāo)簽，生成所述反應(yīng)產(chǎn)率數(shù)據(jù)集。

11、作為一種通過產(chǎn)率預(yù)測(cè)排名的反應(yīng)條件推薦方法的優(yōu)選方案，所述反應(yīng)條件預(yù)測(cè)模型的預(yù)測(cè)步驟為：

12、通過化學(xué)信息學(xué)工具對(duì)目標(biāo)反應(yīng)中的反應(yīng)物分子和產(chǎn)物分子進(jìn)行處理，生成所述反應(yīng)物分子的化學(xué)信息學(xué)特征和所述產(chǎn)物分子的化學(xué)信息學(xué)特征；將所述反應(yīng)物分子的化學(xué)信息學(xué)特征和所述產(chǎn)物分子的化學(xué)信息學(xué)特征進(jìn)行融合，生成反應(yīng)的特征表示；

13、構(gòu)建反應(yīng)物和產(chǎn)物的分子圖，將若干分子圖通過鄰接矩陣拼接得到反應(yīng)的分子圖；提取分子中每個(gè)原子的化學(xué)特征，組成與所述反應(yīng)的分子圖相對(duì)應(yīng)的特征矩陣；

14、將分子的化學(xué)信息學(xué)特征通過多層非線性神經(jīng)網(wǎng)絡(luò)處理，獲得基于分子的全局表示；

15、將所述反應(yīng)的分子圖及所述特征矩陣輸入多層圖卷積網(wǎng)絡(luò)，通過聚合學(xué)習(xí)所述反應(yīng)的分子圖中原子之間的局部鄰居信息；將聚合后的原子表示通過平均池化層處理，得到基于原子的局部表示；

16、將所述全局表示及所述局部表示進(jìn)行組合，并通過若干預(yù)測(cè)層進(jìn)行處理，輸出若干反應(yīng)條件；將若干反應(yīng)條件進(jìn)行排列組合，生成若干反應(yīng)條件組合；

17、將所述反應(yīng)的特征表示通過多層非線性神經(jīng)網(wǎng)絡(luò)處理，輸出溫度預(yù)測(cè)值；

18、將若干所述反應(yīng)條件組合分別輸入多層非線性神經(jīng)網(wǎng)絡(luò)進(jìn)行處理，輸出每個(gè)所述反應(yīng)條件組合對(duì)應(yīng)的溫度，獲得目標(biāo)反應(yīng)的若干目標(biāo)反應(yīng)條件。

19、作為一種通過產(chǎn)率預(yù)測(cè)排名的反應(yīng)條件推薦方法的優(yōu)選方案，所述反應(yīng)產(chǎn)率預(yù)測(cè)模型的預(yù)測(cè)步驟為：

20、根據(jù)目標(biāo)反應(yīng)的分子smiles和反應(yīng)條件的smiles計(jì)算，獲得化學(xué)反應(yīng)指紋；

21、將產(chǎn)率進(jìn)行歸一化處理；

22、將所述化學(xué)反應(yīng)指紋輸入多層非線性神經(jīng)網(wǎng)絡(luò)，得到預(yù)測(cè)的產(chǎn)率。

23、本發(fā)明還提供一種通過產(chǎn)率預(yù)測(cè)排名的反應(yīng)條件推薦裝置，基于以上一種通過產(chǎn)率預(yù)測(cè)排名的反應(yīng)條件推薦方法，包括：

24、原始數(shù)據(jù)集處理模塊，用于對(duì)原始數(shù)據(jù)集進(jìn)行篩選過濾處理，提取反應(yīng)的分子smiles、反應(yīng)條件和產(chǎn)率，生成樣本數(shù)據(jù)集；

25、反應(yīng)條件數(shù)據(jù)集生成模塊，用于將所述樣本數(shù)據(jù)集中同一反應(yīng)擁有若干反應(yīng)條件的樣本進(jìn)行處理，保留產(chǎn)率最大的樣本，生成反應(yīng)條件數(shù)據(jù)集；

26、反應(yīng)產(chǎn)率數(shù)據(jù)集生成模塊，用于將所述樣本數(shù)據(jù)集中同一反應(yīng)擁有若干反應(yīng)條件的樣本進(jìn)行處理，保留全部樣本，生成反應(yīng)產(chǎn)率數(shù)據(jù)集；

27、反應(yīng)條件預(yù)測(cè)模型構(gòu)建及訓(xùn)練模塊，用于基于圖卷積網(wǎng)絡(luò)和非線性神經(jīng)網(wǎng)絡(luò)，構(gòu)建反應(yīng)條件預(yù)測(cè)模型；通過所述反應(yīng)條件數(shù)據(jù)集對(duì)所述反應(yīng)條件預(yù)測(cè)模型進(jìn)行訓(xùn)練，獲得訓(xùn)練好的反應(yīng)條件預(yù)測(cè)模型；

28、反應(yīng)產(chǎn)率預(yù)測(cè)模型構(gòu)建及訓(xùn)練模塊，用于基于多層非線性神經(jīng)網(wǎng)絡(luò)，構(gòu)建反應(yīng)產(chǎn)率預(yù)測(cè)模型；通過所述反應(yīng)產(chǎn)率數(shù)據(jù)集對(duì)所述反應(yīng)產(chǎn)率預(yù)測(cè)模型進(jìn)行訓(xùn)練，獲得訓(xùn)練好的反應(yīng)產(chǎn)率預(yù)測(cè)模型；

29、反應(yīng)條件推薦獲取模塊，用于將目標(biāo)反應(yīng)的分子smiles輸入所述訓(xùn)練好的反應(yīng)條件預(yù)測(cè)模型，通過所述訓(xùn)練好的反應(yīng)條件預(yù)測(cè)模型進(jìn)行預(yù)測(cè)處理，獲得所述目標(biāo)反應(yīng)的反應(yīng)條件組合；將所述目標(biāo)反應(yīng)的分子smiles及所述反應(yīng)條件組合中的分子smiles，逐一輸入所述訓(xùn)練好的反應(yīng)產(chǎn)率預(yù)測(cè)模型，通過所述訓(xùn)練好的反應(yīng)產(chǎn)率預(yù)測(cè)模型進(jìn)行預(yù)測(cè)處理，獲得所述反應(yīng)條件組合對(duì)應(yīng)的產(chǎn)率；將所述反應(yīng)條件組合對(duì)應(yīng)的產(chǎn)率進(jìn)行排序，將產(chǎn)率最大的反應(yīng)條件組合作為推薦結(jié)果。

30、作為一種通過產(chǎn)率預(yù)測(cè)排名的反應(yīng)條件推薦裝置的優(yōu)選方案，所述反應(yīng)條件數(shù)據(jù)集生成模塊中，在生成所述反應(yīng)條件數(shù)據(jù)集的過程中，將反應(yīng)的分子smiles作為輸入，反應(yīng)條件作為標(biāo)簽，生成所述反應(yīng)條件數(shù)據(jù)集。

31、作為一種通過產(chǎn)率預(yù)測(cè)排名的反應(yīng)條件推薦裝置的優(yōu)選方案，所述反應(yīng)產(chǎn)率數(shù)據(jù)集生成模塊中，在生成所述反應(yīng)產(chǎn)率數(shù)據(jù)集的過程中，將反應(yīng)及反應(yīng)條件的分子smiles作為輸入，反應(yīng)產(chǎn)率作為標(biāo)簽，生成所述反應(yīng)產(chǎn)率數(shù)據(jù)集。

32、作為一種通過產(chǎn)率預(yù)測(cè)排名的反應(yīng)條件推薦裝置的優(yōu)選方案，所述反應(yīng)條件推薦獲取模塊中，所述反應(yīng)條件預(yù)測(cè)模型的預(yù)測(cè)子模塊包括：

33、特征表示生成子模塊，用于通過化學(xué)信息學(xué)工具對(duì)目標(biāo)反應(yīng)中的反應(yīng)物分子和產(chǎn)物分子進(jìn)行處理，生成所述反應(yīng)物分子的化學(xué)信息學(xué)特征和所述產(chǎn)物分子的化學(xué)信息學(xué)特征；將所述反應(yīng)物分子的化學(xué)信息學(xué)特征和所述產(chǎn)物分子的化學(xué)信息學(xué)特征進(jìn)行融合，生成反應(yīng)的特征表示；

34、反應(yīng)分子圖及特征矩陣生成子模塊，用于構(gòu)建反應(yīng)物和產(chǎn)物的分子圖，將若干分子圖通過鄰接矩陣拼接得到反應(yīng)的分子圖；提取分子中每個(gè)原子的化學(xué)特征，組成與所述反應(yīng)的分子圖相對(duì)應(yīng)的特征矩陣；

35、全局表示獲取子模塊，用于將分子的化學(xué)信息學(xué)特征通過多層非線性神經(jīng)網(wǎng)絡(luò)處理，獲得基于分子的全局表示；

36、局部表示獲取子模塊，用于將所述反應(yīng)的分子圖及所述特征矩陣輸入多層圖卷積網(wǎng)絡(luò)，通過聚合學(xué)習(xí)所述反應(yīng)的分子圖中原子之間的局部鄰居信息；將聚合后的原子表示通過平均池化層處理，得到基于原子的局部表示；

37、反應(yīng)條件組合生成子模塊，用于將所述全局表示及所述局部表示進(jìn)行組合，并通過若干預(yù)測(cè)層進(jìn)行處理，輸出若干反應(yīng)條件；將若干反應(yīng)條件進(jìn)行排列組合，生成若干反應(yīng)條件組合；

38、溫度預(yù)測(cè)值獲取子模塊，用于將所述反應(yīng)的特征表示通過多層非線性神經(jīng)網(wǎng)絡(luò)處理，輸出溫度預(yù)測(cè)值；

39、目標(biāo)反應(yīng)條件獲取子模塊，用于將若干所述反應(yīng)條件組合分別輸入多層非線性神經(jīng)網(wǎng)絡(luò)進(jìn)行處理，輸出每個(gè)所述反應(yīng)條件組合對(duì)應(yīng)的溫度，獲得目標(biāo)反應(yīng)的若干目標(biāo)反應(yīng)條件。

40、作為一種通過產(chǎn)率預(yù)測(cè)排名的反應(yīng)條件推薦裝置的優(yōu)選方案，所述反應(yīng)條件推薦獲取模塊中，所述反應(yīng)產(chǎn)率預(yù)測(cè)模型的預(yù)測(cè)子模塊包括：

41、化學(xué)反應(yīng)指紋獲取子模塊，用于根據(jù)目標(biāo)反應(yīng)的分子smiles和反應(yīng)條件的smiles計(jì)算，獲得化學(xué)反應(yīng)指紋；

42、產(chǎn)率歸一化子模塊，用于將產(chǎn)率進(jìn)行歸一化處理；

43、預(yù)測(cè)產(chǎn)率獲取子模塊，用于將所述化學(xué)反應(yīng)指紋輸入多層非線性神經(jīng)網(wǎng)絡(luò)，得到預(yù)測(cè)的產(chǎn)率。

44、本發(fā)明具有如下優(yōu)點(diǎn)：本發(fā)明通過對(duì)原始數(shù)據(jù)集進(jìn)行篩選過濾處理，提取反應(yīng)的分子smiles、反應(yīng)條件和產(chǎn)率，生成樣本數(shù)據(jù)集；將所述樣本數(shù)據(jù)集中同一反應(yīng)擁有若干反應(yīng)條件的樣本進(jìn)行處理，保留產(chǎn)率最大的樣本，生成反應(yīng)條件數(shù)據(jù)集；將所述樣本數(shù)據(jù)集中同一反應(yīng)擁有若干反應(yīng)條件的樣本進(jìn)行處理，保留全部樣本，生成反應(yīng)產(chǎn)率數(shù)據(jù)集；基于圖卷積網(wǎng)絡(luò)和非線性神經(jīng)網(wǎng)絡(luò)，構(gòu)建反應(yīng)條件預(yù)測(cè)模型；通過所述反應(yīng)條件數(shù)據(jù)集對(duì)所述反應(yīng)條件預(yù)測(cè)模型進(jìn)行訓(xùn)練，獲得訓(xùn)練好的反應(yīng)條件預(yù)測(cè)模型；基于多層非線性神經(jīng)網(wǎng)絡(luò)，構(gòu)建反應(yīng)產(chǎn)率預(yù)測(cè)模型；通過所述反應(yīng)產(chǎn)率數(shù)據(jù)集對(duì)所述反應(yīng)產(chǎn)率預(yù)測(cè)模型進(jìn)行訓(xùn)練，獲得訓(xùn)練好的反應(yīng)產(chǎn)率預(yù)測(cè)模型；將目標(biāo)反應(yīng)的分子smiles輸入所述訓(xùn)練好的反應(yīng)條件預(yù)測(cè)模型，通過所述訓(xùn)練好的反應(yīng)條件預(yù)測(cè)模型進(jìn)行預(yù)測(cè)處理，獲得所述目標(biāo)反應(yīng)的反應(yīng)條件組合；將所述目標(biāo)反應(yīng)的分子smiles及所述反應(yīng)條件組合中的分子smiles，逐一輸入所述訓(xùn)練好的反應(yīng)產(chǎn)率預(yù)測(cè)模型，通過所述訓(xùn)練好的反應(yīng)產(chǎn)率預(yù)測(cè)模型進(jìn)行預(yù)測(cè)處理，獲得所述反應(yīng)條件組合對(duì)應(yīng)的產(chǎn)率；將所述反應(yīng)條件組合對(duì)應(yīng)的產(chǎn)率進(jìn)行排序，將產(chǎn)率最大的反應(yīng)條件組合作為推薦結(jié)果。本發(fā)明提出通過產(chǎn)率預(yù)測(cè)排名的反應(yīng)條件推薦方法，解決目前反應(yīng)條件預(yù)測(cè)準(zhǔn)確率低導(dǎo)致使用者實(shí)驗(yàn)數(shù)量增加的問題。若預(yù)測(cè)的所有反應(yīng)條件的產(chǎn)率都比較低，說明該反應(yīng)的合成率較差，可以直接放棄對(duì)應(yīng)的路線，這大大減少了使用者需要對(duì)反應(yīng)條件模型預(yù)測(cè)的結(jié)果逐一實(shí)驗(yàn)驗(yàn)證的過程；本發(fā)明通過圖卷積網(wǎng)絡(luò)和神經(jīng)網(wǎng)絡(luò)分別建模分子圖和分子指紋，考慮了反應(yīng)的局部變化和全局性質(zhì)，有利于提高反應(yīng)條件的準(zhǔn)確性；通過化學(xué)反應(yīng)描述符特征作為產(chǎn)率預(yù)測(cè)模型的輸入特征，能夠有效的捕捉通知反應(yīng)不同反應(yīng)條件之間的變化。