CN116665810B 一种基于量子图卷积的分子逆向合成方法、系统、存储介质及终端 （电子科技大学）

院一种基于量子图卷积的分子逆向合成方法、本发明公开了一种基于量子图卷积的分子使用one_hot编码的方式映射为唯一的向量；再2量子图卷积神经网络输出反应中心概率分布向量，选择得分最高S4、采用图卷积策略网络遍历所述合成子图，识别策略网络根据合成子图的嵌入向量生成一个动作向量用于更分子无向图构建模块，配置为将目标产物的结构信息量子态编码模块，配置为对每个图节点和连接边使用one_hot编码的方式映射为唯一反应中心识别模块，配置为基于编码后的量子图构建量子3将Hadamard门和相位旋转门操作应用于输入的量子电路，实现对将量子图卷积输出的每个张量进行求和，通过CNOT门来控制每个张将量子池化层的输出展平为向量，通过量子神经网络层进行信量子图卷积神经网络输出反应中心概率分布向量，选择得分最高策略网络根据合成子图的嵌入向量生成一个动作向量用于更利用合成子_反应物转换模块中生成的反应物不断更新分子无向图构建模块中的目标执行权利要求1_3中任意一项所述一种基于量子图卷积的分子逆向合成其特征在于，处理器运行计算机指令时执行权利要求1_3中任意一项所述一种基于量子图4[0001]本发明涉及药物分析领域，尤其涉及一种基于量子图卷积的分子逆向合成方法、种利用深度学习对图结构数据进行学习的框架，能够全面考虑分子的拓扑和空间结构信[0005]本发明的目的在于克服目前分子逆向合成任务中普遍存在的大规模分子图计算5[0030]量子态编码模块，配置为对每个图节点和连接边使用one_hot编码的方式映射为6运行时执行任意一项所述一种基于量子图卷积的分子逆向合成方法[0037](1)本发明将目标产物的结构信息和化学属性表示为分子无向图的形式；对每个[0038](2)现有的关于逆合成分析的机器学习算法主要是基于反应模版的方法，其虽然[0039](3)鉴于化学反应机理的复杂性和多样性，反应过程包括大量的中间产物和过渡7用于反应预测的化合物数据库也有很多，例如：PubChem、ChEMBL、ZINC、DrugBank、数据xi与量子旋转门的旋转角度θ构造对应关系，从而将分子无向图的特征信息转换为量8[0064]S31、构建量子图卷积层：将Hadamard门和相位旋转门操作应用于输入的量子电[0067]S34构建完整的量子图卷积神经网络：将量子图卷积层和量子池化层交替堆叠在9[0078]量子态编码模块，配置为对每个图节点和连接边使用one_hot编码的方式映射为令，所述计算机指令运行时执行所述一种基于量子图卷积的分子逆向合成方法中相关内硬盘、只读存储器(Read_OnlyMemory，ROM)、随机存取存储器(RandomAccessMemory，的一个或多个的组合。本说明书中描述的主题的实施例可以实现为一个或多个计算机程[0086]本说明书中描述的处理及逻辑流程可以由执行一个或多个计算机程序的一个或述处理及逻辑流程还可以由专用逻辑电路—例如FPGA(现场可编程门阵列)或ASIC(专用集例中描述的各种特征也可以在多个实施例中分开实施或以任何合适的子组合来实施。此