CN116312846B 一种基于强化学习和分子网络数据增强的药物性质预测方法 （浙江工业大学）

AugmentationforMolecularPropPrediction.BigDataan/abs/2306.03506.2023,1-12.一种基于强化学习和分子网络数据增强的一种基于强化学习和分子网络数据增强的通过三层GIN网络获得节点表示，通过一个多层感知器选择起始节点；3)再通过一个MLP选择结和全部迭代后奖励均小于0的原始图存储起来构2接着通过第一个多层感知器MLP预测起始节点的概率pn,start，并从概率分布中确定起始节S3：“广播”串联起始节点与所有节点的特征，使用第二个MLP计算结束节点的概率件下生成的新图和全部迭代下Rn均小于0的原始图存储起来作为S8：将原始图数据集随机划分为训练集和验证2.如权利要求1所述的一种基于强化学习和分子网络数据增强的药物性质预测方法，物化学数据集，然后将这些化合物数据以图数据形式输入基于强化学习的图增强模型中，n首先通过三层图同构网络GIN聚合领域Rn=GIN(Gn)(1)3.如权利要求1所述的一种基于强化学习和分子网络数据增强的药物性质预测方法，34.如权利要求1所述的一种基于强化学习和分子网络数据增强的药物性质预测方法，5.如权利要求1所述的一种基于强化学习和分子网络数据增强的药物性质预测方法，其作为反馈更新给图生成器，其计算如公式(7)，其中g(·)由3层图同构网络和一个最终奖励为对Gn+1迭代进行S2到S4操作直到到达预设次数m后停止，每一次结果记为6.如权利要求1所述的一种基于强化学习和分子网络数据增强的药物性质预测方法，7.如权利要求1所述的一种基于强化学习和分子网络数据增强的药物性质预测方法，次迭代中Rt大于0条件下生成的新图和全部迭代下Rt均小于0的原始图存储起来作为新图数8.如权利要求1所述的一种基于强化学习和分子网络数据增强的药物性质预测方法，4S8.2：将原始图数据集和新图数据集合的特征矩9.如权利要求1所述的一种基于强化学习和分子网络数据增强的药物性质预测方法，10.如权利要求1所述的一种基于强化学习和分子网络数据增强的药物性质预测方法，5检查药物对相关疾病的效果验证该药物。每种疾病潜在候选药物可能高达50000到100000复杂关系可以用图数据建模，因此图神经网络在药物性质预测领域起到越来越重要作用。信息生成一个新图使得其在训练后的GIN模型下最大化预测结果。将生成的新图增加到原6着将增强后的数据集输入到由三层图同构网络和softmax函数构成的图分类模型中进行训于0条件下生成的新图和全部迭代下Rn均小于0的原始图存储起将这个一维节点向量输入softmax函数，获得的一维向量结果表示为起始节点的概率7后输入softmax函数获得一维向量结果表示为[0034]其中，中间奖励Rn,将每一次迭代中Rt大于0条件下生成的新图和全部迭代下Rt均小于0的原始图存储起来作为8后的图分类模型中得到分类反馈，并结合一些图规则构成奖励信号不断改进生成器的性[0058]S2：输入图数据Gn，首先通过三层图同构网络(GIN)聚合领域信息和学习节点特9于0条件下生成的新图和全部迭代下Rn均小于0的原始图存储起将下载的原始PTC_MR数据集输入基于强化学习的图增强模型中，设置模型迭代次数N=将这个一维节点向量输入softmax函数，获得的一维向量结果表示为起始节点的概率后输入softmax函数获得一维向量结果表示为[0085]最终奖励为对Gn+1迭代进行S2到S4操作直到到达预设次数m＝4后停止，每一次结的新图和全部迭代下Rt均小于0的原始图存储起来作为新图图分类模型预测精度为64.6±7.0(％)，本发