【技術實現步驟摘要】
本專利技術涉及反應條件預測，具體涉及一種通過產率預測排名的反應條件推薦方法及裝置。
技術介紹
1、在化學領域的合成任務中，目標化合物往往是通過一系列的化學合成最終得到的。在合成過程中，提高合成的產率尤為重要，只有高產率的合成路線才會被化學家們接受并使用。為了提高反應的產率，化學家們根據經驗去嘗試不同的反應條件，直到產率達到要求為止。而這個過程往往需要漫長的實驗過程，需要大量的原料、人力和時間成本。此外，存在一些反應，盡管實驗了大量的反應條件無法得到的高產率，這樣的路線會被放棄。若存在一個方法能夠預測出反應產率最高的反應條件以及能達到的產率值，可以幫助化學家們節省非常多的實驗時間，提高整個化學合成的效率。
2、如今，隨著深度學習的發展，用于反應條件預測的方法有了很大進展。然而，現有的反應條件預測方法的準確度存在誤差，它們往往會推薦出多個反應條件來提高模型命中率。但對于使用者來說，他們并不知道這多個反應條件中最好的是哪一個，所以仍然需要通過多次實驗去確認預測結果。
3、因此，如何專利技術一種推薦高產率反應條件及其對應產率值預測的方法，成為亟需解決的問題。
技術實現思路
1、為此，本專利技術提供一種通過產率預測排名的反應條件推薦方法及裝置，通過產率預測對推薦的反應條件進行排序，為使用者提供高產率的反應條件，同時給出產率值來說明反應的產率上限。
2、為了實現上述目的，本專利技術提供如下技術方案：一種通過產率預測排名的反應條件推薦方法，包括：
4、將所述樣本數據集中同一反應擁有若干反應條件的樣本進行處理，保留產率最大的樣本，生成反應條件數據集；
5、將所述樣本數據集中同一反應擁有若干反應條件的樣本進行處理，保留全部樣本，生成反應產率數據集；
6、基于圖卷積網絡和非線性神經網絡，構建反應條件預測模型；通過所述反應條件數據集對所述反應條件預測模型進行訓練，獲得訓練好的反應條件預測模型；
7、基于多層非線性神經網絡，構建反應產率預測模型；通過所述反應產率數據集對所述反應產率預測模型進行訓練，獲得訓練好的反應產率預測模型；
8、將目標反應的分子smiles輸入所述訓練好的反應條件預測模型，通過所述訓練好的反應條件預測模型進行預測處理，獲得所述目標反應的反應條件組合；將所述目標反應的分子smiles及所述反應條件組合中的分子smiles，逐一輸入所述訓練好的反應產率預測模型，通過所述訓練好的反應產率預測模型進行預測處理，獲得所述反應條件組合對應的產率；將所述反應條件組合對應的產率進行排序，將產率最大的反應條件組合作為推薦結果。
9、作為一種通過產率預測排名的反應條件推薦方法的優選方案，在生成所述反應條件數據集的過程中，將反應的分子smiles作為輸入，反應條件作為標簽，生成所述反應條件數據集。
10、作為一種通過產率預測排名的反應條件推薦方法的優選方案，在生成所述反應產率數據集的過程中，將反應及反應條件的分子smiles作為輸入，反應產率作為標簽，生成所述反應產率數據集。
11、作為一種通過產率預測排名的反應條件推薦方法的優選方案，所述反應條件預測模型的預測步驟為：
12、通過化學信息學工具對目標反應中的反應物分子和產物分子進行處理，生成所述反應物分子的化學信息學特征和所述產物分子的化學信息學特征；將所述反應物分子的化學信息學特征和所述產物分子的化學信息學特征進行融合，生成反應的特征表示；
13、構建反應物和產物的分子圖，將若干分子圖通過鄰接矩陣拼接得到反應的分子圖；提取分子中每個原子的化學特征，組成與所述反應的分子圖相對應的特征矩陣；
14、將分子的化學信息學特征通過多層非線性神經網絡處理，獲得基于分子的全局表示；
15、將所述反應的分子圖及所述特征矩陣輸入多層圖卷積網絡，通過聚合學習所述反應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行組合，并通過若干預測層進行處理，輸出若干反應條件；將若干反應條件進行排列組合，生成若干反應條件組合；
17、將所述反應的特征表示通過多層非線性神經網絡處理，輸出溫度預測值；
18、將若干所述反應條件組合分別輸入多層非線性神經網絡進行處理，輸出每個所述反應條件組合對應的溫度，獲得目標反應的若干目標反應條件。
19、作為一種通過產率預測排名的反應條件推薦方法的優選方案，所述反應產率預測模型的預測步驟為：
20、根據目標反應的分子smiles和反應條件的smiles計算，獲得化學反應指紋；
21、將產率進行歸一化處理；
22、將所述化學反應指紋輸入多層非線性神經網絡，得到預測的產率。
23、本專利技術還提供一種通過產率預測排名的反應條件推薦裝置，基于以上一種通過產率預測排名的反應條件推薦方法，包括：
24、原始數據集處理模塊，用于對原始數據集進行篩選過濾處理，提取反應的分子smiles、反應條件和產率，生成樣本數據集；
25、反應條件數據集生成模塊，用于將所述樣本數據集中同一反應擁有若干反應條件的樣本進行處理，保留產率最大的樣本，生成反應條件數據集；
26、反應產率數據集生成模塊，用于將所述樣本數據集中同一反應擁有若干反應條件的樣本進行處理，保留全部樣本，生成反應產率數據集；
27、反應條件預測模型構建及訓練模塊，用于基于圖卷積網絡和非線性神經網絡，構建反應條件預測模型；通過所述反應條件數據集對所述反應條件預測模型進行訓練，獲得訓練好的反應條件預測模型；
28、反應產率預測模型構建及訓練模塊，用于基于多層非線性神經網絡，構建反應產率預測模型；通過所述反應產率數據集對所述反應產率預測模型進行訓練，獲得訓練好的反應產率預測模型；
29、反應條件推薦獲取模塊，用于將目標反應的分子smiles輸入所述訓練好的反應條件預測模型，通過所述訓練好的反應條件預測模型進行預測處理，獲得所述目標反應的反應條件組合；將所述目標反應的分子smiles及所述反應條件組合中的分子smiles，逐一輸入所述訓練好的反應產率預測模型，通過所述訓練好的反應產率預測模型進行預測處理，獲得所述反應條件組合對應的產率；將所述反應條件組合對應的產率進行排序，將產率最大的反應條件組合作為推薦結果。
30、作為一種通過產率預測排名的反應條件推薦裝置的優選方案，所述反應條件數據集生成模塊中，在生成所述反應條件數據集的過程中，將反應的分子smiles作為輸入，反應條件作為標簽，生成所述反應條件數據集。
31、作為一種通過產率預測排名的反應條件推薦裝置的優選方案，所述反應產率數據集生成模塊中，在生成所述反應產率本文檔來自技高網...
【技術保護點】
1.一種通過產率預測排名的反應條件推薦方法，其特征在于，包括：
2.根據權利要求1所述的一種通過產率預測排名的反應條件推薦方法，其特征在于，在生成所述反應條件數據集的過程中，將反應的分子SMILES作為輸入，反應條件作為標簽，生成所述反應條件數據集。
3.根據權利要求2所述的一種通過產率預測排名的反應條件推薦方法，其特征在于，在生成所述反應產率數據集的過程中，將反應及反應條件的分子SMILES作為輸入，反應產率作為標簽，生成所述反應產率數據集。
4.根據權利要求3所述的一種通過產率預測排名的反應條件推薦方法，其特征在于，所述反應條件預測模型的預測步驟為：
5.根據權利要求4所述的一種通過產率預測排名的反應條件推薦方法，其特征在于，所述反應產率預測模型的預測步驟為：
6.一種通過產率預測排名的反應條件推薦裝置，采用權利要求1-5任一項所述的一種通過產率預測排名的反應條件推薦方法，其特征在于，包括：
7.根據權利要求6所述的一種通過產率預測排名的反應條件推薦裝置，其特征在于，所述反應條件數據集生成模塊中，在生成所
8.根據權利要求7所述的一種通過產率預測排名的反應條件推薦裝置，其特征在于，所述反應產率數據集生成模塊中，在生成所述反應產率數據集的過程中，將反應及反應條件的分子SMILES作為輸入，反應產率作為標簽，生成所述反應產率數據集。
9.根據權利要求8所述的一種通過產率預測排名的反應條件推薦裝置，其特征在于，所述反應條件推薦獲取模塊中，所述反應條件預測模型的預測子模塊包括：
10.根據權利要求9所述的一種通過產率預測排名的反應條件推薦裝置，其特征在于，所述反應條件推薦獲取模塊中，所述反應產率預測模型的預測子模塊包括：
...【技術特征摘要】
1.一種通過產率預測排名的反應條件推薦方法，其特征在于，包括：
2.根據權利要求1所述的一種通過產率預測排名的反應條件推薦方法，其特征在于，在生成所述反應條件數據集的過程中，將反應的分子smiles作為輸入，反應條件作為標簽，生成所述反應條件數據集。
3.根據權利要求2所述的一種通過產率預測排名的反應條件推薦方法，其特征在于，在生成所述反應產率數據集的過程中，將反應及反應條件的分子smiles作為輸入，反應產率作為標簽，生成所述反應產率數據集。
4.根據權利要求3所述的一種通過產率預測排名的反應條件推薦方法，其特征在于，所述反應條件預測模型的預測步驟為：
5.根據權利要求4所述的一種通過產率預測排名的反應條件推薦方法，其特征在于，所述反應產率預測模型的預測步驟為：
6.一種通過產率預測排名的反應條件推薦裝置，采用權利要求1-5任一項所述的一種通過產率預測排...
【專利技術屬性】
技術研發人員：柳彥宏，肖瑞，趙國祥，胡鈞員，任慶，
申請(專利權)人：煙臺國工智能科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。