分子图生成方法和装置
文献发布时间：2023-06-19 16:09:34
技术领域
本公开涉及计算机技术领域，具体涉及生物计算技术领域与人工智能技术领域，尤其涉及分子图生成方法和装置。
背景技术
在化学、药物发现领域内，从巨大的化学空间中筛选出具有药物特性的分子是药物设计中面临的主要问题，目前采用虚拟筛选的方式需要消耗大量的计算资源和时间成本，而且难以产生新的分子结构。全新药物设计(de novo Drug Design)可以缩小目标化学分子搜索空间，大大提高药物设计效率同时降低了成本。
随着人工智能的不断发展与进步，出现了大量分子生成模型并且成为了全新药物设计的有效手段，现有的分子生成模型，在模型架构设计中，可以从隐空间采样的方式进行生成。
发明内容
本公开提供了一种分子图生成方法、装置、电子设备、存储介质以及计算机程序产品。
根据本公开的一方面，提供了一种分子图生成方法，该方法包括：获取分子图生成模型，其中，分子图生成模型包括原子预测子模型和化学键预测子模型；将起始符输入至原子预测子模型进行原子预测，确定出候选原子序列；将候选原子序列输入至化学键预测子模型进行化学键预测，生成候选原子序列对应的分子图。
根据本公开的另一方面，提供了一种分子图生成装置，该装置包括：获取模块，被配置成获取分子图生成模型，其中，分子图生成模型包括原子预测子模型和化学键预测子模型；原子预测模块，被配置成将起始符输入至原子预测子模型进行原子预测，确定出候选原子序列；化学键预测模块，被配置成将候选原子序列输入至化学键预测子模型进行化学键预测，生成候选原子序列对应的分子图。
根据本公开的另一方面，提供了一种电子设备，该电子设备包括至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述分子图生成方法。
根据本公开的另一方面，提供了一种计算机可读介质，其上存储有计算机指令，该计算机指令用于使计算机能够执行上述分子图生成方法。
根据本公开的另一方面，本申请实施例提供了一种计算机程序产品，其包括计算机程序/指令，计算机程序/指令被处理器执行时实现上述分子图生成方法。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开的分子图生成方法的一个实施例的流程图；
图2是根据本公开的分子图生成方法的一个应用场景的示意图；
图3是根据本公开的确定候选原子序列的一个实施例的流程图；
图4是根据本公开的生成候选原子序列对应的分子图的一个实施例的流程图；
图5是根据本公开的优化分子图的一个实施例的流程图；
图6是根据本公开的获取原子预测子模型的一个实施例的流程图；
图7是根据本公开的获取化学键预测子模型的一个实施例的流程图；
图8是根据本公开的分子图生成装置的一个实施例的结构示意图；
图9是用来实现本公开实施例的分子图生成方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
参考图1，图1示出了可以应用于本公开的分子图生成方法的实施例的流程示意图100。该分子图生成方法包括以下步骤：
步骤110，获取分子图生成模型。
在本实施例中，分子图生成方法的执行主体(例如服务器)可以通过网络读取或者在本地读取用于生成分子图的分子图生成模型，该分子图可以是化合物分子图，由多个原子和化学键连接组成，该分子图生成模型可以用于做无目标的随机采样分子生成任务，即可以进行原子和化学键的采样和预测，以生成随机的分子图，能够获取到多样的分子图。
上述分子图生成模型包括原子预测子模型和化学键预测子模型，可以是基于自然语言预训练模型(uniLM)的方式进行训练得到的模型，原子预测子模型可以与化学键预测子模型连接，原子预测子模型的输出结果可以直接输入至化学键预测子模型中。其中，原子预测子模型可以是包括Transformer编码器的神经网络，用于进行原子预测获取到随机的候选原子序列，并将获取到的候选原子序列输入至化学键预测子模型中；化学键预测子模型可以是包括Transformer编码器和注意力机制的神经网络，用于对候选原子序列中的每个候选原子进行化学键预测，基于注意力机制可以考虑当前生成化学键和历史生成化学键之间的关系，从而预测出候选原子序列中的每个候选原子的化学键。
步骤120，将起始符输入至原子预测子模型进行原子预测，确定出候选原子序列。
在本实施例中，上述执行主体获取到包括原子预测子模型和化学键预测子模型的分子图生成模型后，可以接收到操作人员设置的起始符，在分子图中可以作为特殊结点，可以表现为
其中，该候选原子序列可以包括多个随机预测出的候选原子，例如可以表现为
步骤130，将候选原子序列输入至化学键预测子模型进行化学键预测，生成候选原子序列对应的分子图。
在本实施例中，上述执行主体通过原子预测子模型确定出候选原子序列后，将候选原子序列输入至化学键预测子模型中。化学键预测子模型接收到候选原子序列后，可以从候选原子序列中按照原子的排列顺序确定当前原子，然后对当前原子和候选原子序列中其他候选原子之间的化学键进行预测，从而可以确定出当前原子与其他候选原子之间是否存在化学键。然后上述执行主体可以将候选原子序列中排序在当前原子之后的候选原子作为新的当前原子，并对新的当前原子和候选原子序列中其他候选原子之间的化学键进行预测，直至确定出候选原子序列中每个候选原子的化学键。
上述执行主体通过化学键预测子模型确定候选原子序列中每个候选原子的化学键后，可以根据每个候选原子的化学键对每个候选原子进行连接，生成候选原子序列对应的分子图，该分子图中包括候选原子序列中的每个候选原子和每个候选原子之间的化学键。
继续参见图2，图2是根据本实施例的分子图生成方法的应用场景的一个示意图。
在图2的应用场景中，服务器201本地可以存储有包括原子预测子模型和化学键预测子模型的分子图生成模型。终端202可以向服务器201发送起始符，服务器201可以读取本地存储的包括原子预测子模型和化学键预测子模型的分子图生成模型，接收到终端202发送的起始符后，将起始符输入至原子预测子模型进行原子预测，确定出候选原子序列，然后服务器201可以将候选原子序列输入至化学键预测子模型进行化学键预测，生成候选原子序列对应的分子图，并将生成的分子图发送至终端202。
本公开的实施例提供的分子图生成方法，通过获取分子图生成模型，该分子图生成模型包括原子预测子模型和化学键预测子模型，然后将起始符输入至原子预测子模型进行原子预测，确定出候选原子序列，最后将候选原子序列输入至化学键预测子模型进行化学键预测，生成候选原子序列对应的分子图，能够根据起始符预测需要的候选原子序列，不需要从分子图的隐空间中采样生成原子特征矩阵，提高了候选原子序列的搜索效率，并且可以基于候选原子序列和化学键预测子模型预测出对应的化学键，不需要从分子图的隐空间中采集带化学键特征的邻接矩阵，提高了化学键生成的效率，利用候选原子序列生成和候选原子之间的化学键生成两个步骤完成分子图的生成，能够有效的提升分子图生成的效果，降低分子图生成难度，提高运行效率。
参考图3，图3示出了确定候选原子序列的一个实施例的流程图300，即上述步骤120，将起始符输入至原子预测子模型进行原子预测，确定出候选原子序列，可以包括以下步骤：
步骤310，将起始符输入至原子预测子模型进行原子预测，获取到预测原子序列。
在本实施例中，上述执行主体获取到包括原子预测子模型和化学键预测子模型的分子图生成模型后，可以接收到操作人员设置的起始符，在分子图中可以作为特殊结点，可以表现为
上述起始符可以作为原子预测子模型的输入，则上述执行主体获取到起始符后，可以将起始符输入至原子预测子模型中。原子预测子模型接收到起始符后，开始基于起始符进行原子预测，基于训练过程中的学习样本自主学习，随机预测出多个预测原子。上述执行主体可以根据预测原子的预测顺序进行排列，得到多个预测原子对应的预测原子序列。
步骤320，响应于预测到结束符，将预测原子序列确定为候选原子序列。
在本实施例中，上述执行主体利用原子预测子模型进行原子预测过程中，可以对每个原子节点进行随机预测，预测出预测原子即可直接输出，直到预测出的节点为结束符时，原子预测子模型停止原子预测，并将结束符之前的预测原子序列作为候选原子序列。其中，该结束符在分子图中可以作为特殊结点，可以表现为
上述原子预测子模型在进行训练时，即可对标注有起始符和结束符的分子图进行学习，起始符可以用于开始原子预测子模型的原子预测，结束符可以用于终止原子预测子模型的原子预测。原子预测子模型当接收到起始符时，即可开始原子预测，输出预测到的候选原子，当预测到结束符时，即可停止原子预测，并输出预测出的全部候选原子，例如可以表现为
在本实施例中，通过引入起始符和结束符等特殊符号来构建原子预测子模型的输入，来开启和停止原子预测子模型的原子预测，避免了无休止的原子预测，能够提高原子预测的准确性和灵活性，并且利用原子预测子模型进行原子预测，提高了候选原子的预测效率和准确性。
参考图4，图4示出了生成候选原子序列对应的分子图的一个实施例的流程图400，即上述步骤130，将候选原子序列输入至化学键预测子模型进行化学键预测，生成候选原子序列对应的分子图，可以包括以下步骤：
步骤410，将候选原子序列输入至编码层进行编码处理，得到候选原子序列对应的编码向量。
上述化学键预测子模型可以包括编码层和注意力机制，其中，编码层可以是Transformer编码器(Transformer Encoder)，可以与注意力机制(attention)连接，后面还可以设置有残差层(add/norm)。
在本实施例中，上述执行主体通过原子预测子模型获取到候选原子序列后，可以将候选原子序列输入至化学键预测子模型的编码层。化学键预测子模型的编码层可以对候选原子序列中的每个候选原子进行编码处理，得到候选原子序列对应的编码向量。
步骤420，将编码向量输入至注意力机制进行注意力处理，预测出候选原子序列的化学键。
在本实施例中，上述执行主体通过化学键预测子模型的编码层获取到候选原子序列对应的编码向量后，可以将获取到的编码向量输入至化学键预测子模型的注意力机制。化学键预测子模型的注意力机制可以对候选原子序列对应的编码向量进行注意力处理，来考虑当前生成化学键和历史生成化学键之间的关系，并通过残差层进行残差处理，预测出候选原子序列中每个候选原子的化学键。
作为一个可选实现方式，以及，上述步骤420，将编码向量输入至注意力机制进行注意力处理，预测出候选原子序列的化学键，可以包括以下步骤：通过注意力机制对编码向量进行第一注意力处理，得到编码向量对应的第一处理结果；通过注意力机制对第一处理结果进行第二注意力处理，预测出候选原子序列的化学键。
在本实现方式中，注意力机制处理包括用于关注当前候选原子和其他候选原子之间相关性的第一注意力处理和用于关注当前候选原子与已经预测的当前子图中其他原子关系之间相关性的第二注意力处理。其中，第一注意力处理可以是对当前候选原子和其他候选原子之间的相关性的注意力处理，确定出当前候选原子与其他候选原子中的每一个候选原子的相关性；第二注意力处理可以是对当前候选原子与已经预测的当前子图中其他原子关系之间的相关性的注意力处理，确定出当前候选原子与已经确定出历史化学键之间的相关性。
上述执行主体通过化学键预测子模型的编码层获取到候选原子序列对应的编码向量后，可以将获取到的编码向量输入至化学键预测子模型的注意力机制。化学键预测子模型的注意力机制可以对候选原子序列对应的编码向量进行第一注意力处理，分析当前候选原子与候选原子序列中每个候选原子之间的相关性，得到对应的第一处理结果。然后化学键预测子模型的注意力机制可以对第一处理结果进行第二注意力处理，分析当前候选原子与已经生成的分子图中的历史化学键之间的相关性，从而预测出候选原子序列的化学键。
作为示例，上述执行主体通过原子预测子模型获取到候选原子序列，该候选原子序列为
若已知候选原子a和候选原子b以及候选原子a和候选原子b之间的化学键，获取到新的候选原子c，预测新的候选原子c和候选原子a之间的化学键时，会分析测新的候选原子c和候选原子a之间的相关性,候选原子a和候选原子b之间的相关性；预测新的候选原子c和候选原子b之间的化学键时，会分析新的候选原子c和候选原子b之间的相关性，候选原子a和候选原子b之间的相关性，还要分析已经预测得到的新的候选原子c和候选原子a之间的化学键。
在本实现方式中，通过注意力机制对编码向量进行注意力处理，在预测化学键过程中能够考虑到之前历史生成的化学键和当前各个候选原子之间的关系，增加了化学键预测的维度，使得预测的化学键更准确，从而提高了分子图的生成效果。
步骤430，基于候选原子序列的化学键，生成候选原子序列对应的分子图。
在本实施例中，上述执行主体通过化学键预测子模型中的注意力机制预测到候选原子序列的化学键后，可以基于各个候选原子的化学键将各个候选原子进行连接，生成候选原子序列对应的分子图。
在本实施例中，通过增加注意力机制对编码向量进行注意力处理，增加了化学键预测的维度，使得预测的化学键更准确，从而提高了分子图的生成效果。
参考图5，图5示出了优化分子图的一个实施例的流程图500，可以包括以下步骤：
步骤510，获取待优化分子图。
在本实施例中，上述执行主体可以通过网络读取或者接收用户上传等方式获取到待优化分子图，该待优化分子图中可以包括已经具备参考化学键连接的多个参考原子，并且该待优化分子图中可以在参考原子中标注有起始符和结束符。
步骤520，将待优化分子图输入至原子预测子模型进行原子预测，确定出待优化分子图对应的优化原子序列。
在本实施例中，上述执行主体将将获取到的待优化分子图输入至原子预测子模型中，原子预测子模型对待优化分子图进行预测识别，检测到待优化分子图中的起始符，原子预测子模型开始对待优化分子图中的参考原子进行检测，并根据该待优化分子图中的参考原子进行原子预测，确定出待优化分子图对应的优化原子序列，该优化原子序列包括待优化分子图中包括的参考原子，还包括基于参考原子预测出的预测原子，直到预测出的节点为结束符时，原子预测子模型停止原子预测，并将结束符之前的参考原子和预测原子作为优化原子序列。
步骤530，将优化原子序列输入至化学键预测子模型进行化学键预测，生成待优化分子图对应的优化分子图。
在本实施例中，上述执行主体获取到优化原子序列后，可以将优化原子序列输入至化学键预测子模型中。化学键预测子模型接收到优化原子序列后，可以从优化原子序列中按照原子的排列顺序确定当前原子，然后对当前原子和优化原子序列中其他优化原子之间的化学键进行预测，从而可以确定出当前原子与其他优化原子之间是否存在化学键。然后上述执行主体可以将优化原子序列中排序在当前原子之后的优化原子作为新的当前原子，并对新的当前原子和优化原子序列中其他优化原子之间的化学键进行预测，直至确定出优化原子序列中每个优化原子的化学键。
上述执行主体通过化学键预测子模型确定优化原子序列中每个优化原子的化学键后，可以根据每个优化原子的化学键对每个优化原子进行连接，生成优化原子序列对应的优化分子图，该优化分子图中包括优化原子序列中的每个优化原子和每个优化原子之间的化学键，是对待优化分子图进行分子结构优化后得到的分子图。
在本实施例中，通过原子预测子模型和化学键预测子模型对待优化分子图进行分子结构优化，生成属性更优的分子结构，提高了分子图的效果，并且包括原子预测子模型和化学键预测子模型的分子图生成模型既能够生成随机分子图，又能够对分子图进行优化处理，使得分子图生成模型更具任务多样性，有效的提升分子图生成的效果，降低模型迁移的难度，从而降低使用难度，提高产品的运行效率。
参考图6，图6示出了获取原子预测子模型的一个实施例的流程图600，可以包括以下步骤：
步骤610，获取第一训练样本集。
在本步骤中，上述第一训练样本集可以包括标注有起始符和结束符的样本分子图以及样本分子图对应的样本原子序列。上述执行主体可以通过网络从预定数据库中获取多张样本分子图，每张样本分子图中均包括多个样本原子，对每张样本分子图中的样本原子进行标注，确定出样本分子图对应的起始符和结束符。上述执行主体将标注有起始符和结束符的样本分子图以及样本分子图对应的样本原子序列作为训练使用的第一训练样本集。
步骤620，构建包括输入层和Transformer编码器的第一初始模型。
在本步骤中，上述执行主体获取到第一训练样本集后，可以构建包括输入层和Transformer编码器的第一初始模型。
步骤630，利用机器学习方法，将样本分子图作为输入层的输入，与样本分子图对应的样本原子序列作为Transformer编码器的期望输出，对第一初始模型进行训练，得到原子预测子模型。
在本步骤中，上述执行主体获取到第一训练样本集和构建出第一初始模型后，可以利用机器学习方法，基于第一训练样本集对第一初始模型利用统一预训练语言模型(unilm，Unified LanguageModel Pre-training for Natural Language Understandingand Generation)的训练方式进行训练，得到原子预测子模型。
具体地，上述执行主体可以将样本分子图输入至第一初始模型中，将样本分子图作为输入层的输入，经过第一初始模型的处理，能够得到样本分子图对应的预测原子序列，上述第一初始模型的网络结构可以是相关技术中包括输入层和Transformer编码器的网络框架，其它网络层中参数的处理流程也可参考相关技术中unilm模型的处理流程。
上述执行主体在训练过程中，可以将样本分子图对应的样本原子序列作为Transformer编码器的期望输出，然后将输出的预测原子序列与期望输出进行比较，判断预测原子序列是否符合约束条件，若预测原子序列不满足约束条件，则调整第一初始模型的网络参数，并再次输入样本分子图继续进行训练。若预测原子序列满足约束条件，则模型训练完成，得到原子预测子模型。其中，该约束条件可以是预测原子序列与第一训练样本集中样本原子序列的差值满足预设阈值，该预设阈值可以根据经验预先设定，本公开对此不做具体限定。
在本实现方式中，通过获取到的样本分子图和样本原子序列训练第一初始模型，得到原子预测子模型，能够提高原子预测效率和准确性，以及能够提高生成分子图的准确性和效率。
参考图7，图7示出了获取化学键预测子模型的一个实施例的流程图700，可以包括以下步骤：
步骤710，获取第二训练样本集。
在本步骤中，上述第二训练样本集可以包括样本原子序列和样本原子序列对应的样本化学键。上述执行主体可以通过网络从预定数据库中获取样本原子序列，对样本原子序列中的样本原子进行化学键确定，得到样本原子序列对应的样本化学键。上述执行主体将样本原子序列和样本原子序列对应的样本化学键作为训练模型时使用的第二训练样本集。
步骤720，构建包括Transformer编码器和注意力机制的第二初始模型。
在本步骤中，上述执行主体获取到第二训练样本集后，可以构建包括Transformer编码器和注意力机制的第二初始模型。
步骤730，利用机器学习方法，将样本原子序列作为Transformer编码器的输入，与样本原子序列对应的样本化学键作为注意力机制的期望输出，对第二初始模型进行训练，得到化学键预测子模型。
在本步骤中，上述执行主体获取到第二训练样本集和构建出第二初始模型后，可以利用机器学习方法，基于第二训练样本集对第二初始模型利用统一预训练语言模型(unilm，Unified LanguageModel Pre-training for Natural Language Understandingand Generation)的训练方式进行训练，得到化学键预测子模型。
具体地，上述执行主体可以将样本原子序列输入至第二初始模型中，将样本原子序列作为Transformer编码器的输入，经过第二初始模型的处理，能够得到样本原子序列对应的预测化学键，上述第二初始模型的网络结构可以是相关技术中包括Transformer编码器和注意力机制的网络框架，其它网络层中参数的处理流程也可参考相关技术中unilm模型的处理流程。
上述执行主体在训练过程中，可以将与样本原子序列对应的样本化学键作为注意力机制的期望输出，然后将输出的预测化学键与期望输出进行比较，判断预测化学键是否符合约束条件，若预测化学键不满足约束条件，则调整第二初始模型的网络参数，并再次输入样本原子序列继续进行训练。若预测化学键满足约束条件，则模型训练完成，得到化学键预测子模型。其中，该约束条件可以是预测化学键与第二训练样本集中样本化学键的差值满足预设阈值，该预设阈值可以根据经验预先设定，本公开对此不做具体限定。
在本实现方式中，通过获取到的样本原子序列和样本化学键训练第二初始模型，得到化学键预测子模型，能够提高化学键预测效率和准确性，以及能够提高生成分子图的准确性和效率。
进一步参考图8，作为对上述各图所示方法的实现，本公开提供了一种分子图生成装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图8所示，本实施例的分子图生成装置800包括：获取模块810，原子预测模块820和化学键预测模块830。
其中，获取模块810，被配置成获取分子图生成模型，其中，分子图生成模型包括原子预测子模型和化学键预测子模型；
原子预测模块820，被配置成将起始符输入至原子预测子模型进行原子预测，确定出候选原子序列；
化学键预测模块830，被配置成将候选原子序列输入至化学键预测子模型进行化学键预测，生成候选原子序列对应的分子图。
在本实施例的一些可选的方式中，原子预测模块820，进一步被配置成：将起始符输入至原子预测子模型进行原子预测，获取到预测原子序列；响应于预测到结束符，将预测原子序列确定为候选原子序列。
在本实施例的一些可选的方式中，化学键预测子模型包括编码层和注意力机制；以及，化学键预测模块830，包括：编码单元，被配置成将候选原子序列输入至编码层进行编码处理，得到候选原子序列对应的编码向量；注意力单元，被配置成将编码向量输入至注意力机制进行注意力处理，预测出候选原子序列的化学键；生成单元，被配置成基于候选原子序列的化学键，生成候选原子序列对应的分子图。
在本实施例的一些可选的方式中，注意力机制处理包括用于关注当前候选原子和其他候选原子之间相关性的第一注意力处理和用于关注当前候选原子与已经预测的当前子图中其他原子关系之间相关性的第二注意力处理；以及，注意力单元，进一步被配置成：通过注意力机制对编码向量进行第一注意力处理，得到编码向量对应的第一处理结果；通过注意力机制对第一处理结果进行第二注意力处理，预测出候选原子序列的化学键。
在本实施例的一些可选的方式中，获取模块810，进一步被配置成获取待优化分子图；原子预测模块820，进一步被配置成将待优化分子图输入至原子预测子模型进行原子预测，确定出待优化分子图对应的优化原子序列；化学键预测模块830，进一步被配置成将优化原子序列输入至化学键预测子模型进行化学键预测，生成待优化分子图对应的优化分子图。
在本实施例的一些可选的方式中，原子预测子模型基于以下步骤获取：获取第一训练样本集，其中，第一训练样本集包括标注有起始符和结束符的样本分子图以及样本分子图对应的样本原子序列；构建包括输入层和Transformer编码器的第一初始模型；利用机器学习方法，将样本分子图作为输入层的输入，与样本分子图对应的样本原子序列作为Transformer编码器的期望输出，对第一初始模型进行训练，得到原子预测子模型。
在本实施例的一些可选的方式中，化学键预测子模型基于以下步骤获取：获取第二训练样本集，其中，第二训练样本集包括样本原子序列和样本原子序列对应的样本化学键；构建包括Transformer编码器和注意力机制的第二初始模型；利用机器学习方法，将样本原子序列作为Transformer编码器的输入，与样本原子序列对应的样本化学键作为注意力机制的期望输出，对第二初始模型进行训练，得到化学键预测子模型。
本公开的实施例提供的分子图生成装置，通过获取分子图生成模型，该分子图生成模型包括原子预测子模型和化学键预测子模型，然后将起始符输入至原子预测子模型进行原子预测，确定出候选原子序列，最后将候选原子序列输入至化学键预测子模型进行化学键预测，生成候选原子序列对应的分子图，能够根据起始符预测需要的候选原子序列，不需要从分子图的隐空间中采样生成原子特征矩阵，提高了候选原子序列的搜索效率，并且可以基于候选原子序列和化学键预测子模型预测出对应的化学键，不需要从分子图的隐空间中采集带化学键特征的邻接矩阵，提高了化学键生成的效率，利用候选原子序列生成和候选原子之间的化学键生成两个步骤完成分子图的生成，能够有效的提升分子图生成的效果，降低分子图生成难度，提高运行效率。
本领域技术人员可以理解，上述装置还包括一些其他公知结构，例如处理器、存储器等，为了不必要地模糊本公开的实施例，这些公知的结构在图8中未示出。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图9示出了可以用来实施本公开的实施例的示例电子设备900的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图9所示，电子设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
电子设备900中的多个部件连接至I/O接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理，例如分子图生成方法。例如，在一些实施例中，分子图生成方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的分子图生成方法的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行分子图生成方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。