一种基于AI预测的化合物合成路线预测系统的制作方法

一种基于ai预测的化合物合成路线预测系统
技术领域
1.本发明涉及人工智能技术领域，具体为一种基于ai预测的化合物合成路线预测系统。


背景技术：

2.目前虽然已有基于数据库和反应规则的生物合成路径预测工具，但由于本身已知的酶反应数量不足，且由于不同酶的催化杂泛性和专一性也不同，导致现有反应规则(模板)无法很好地反映酶的催化功能。因此，对于以酶催化反应为核心的生物合成来说，现有基于模板的方法给出的反应路径在实际中常常无法通过相应的酶来催化，并且对于许多生源合成步骤较长，结构较复杂的天然产物，并没有相似度较高的反应模板与之匹配。同时单步反应的预测误差在多步的反应路径预测中会不断积累，因此对于天然产物生物合成路径预测来说，不仅需要提高单步反应的预测精度，同时还需要配合高效的搜索算法对每一步的候选反应进行高效且准确的筛选。
3.逆合成是有机化学家广泛使用的一种方法，通过将目标分子递归分解为更简单的前体分子来设计目标化合物的合成路线。逆合成预测是一个一对多的问题，即合成同一个目标分子可能存在多个反应方法，而由于所有可能的化学转化的巨大搜索空间，即使对于经验丰富的化学家也极具挑战性。因此，如何从化学家思考的角度利用ai实现任何化合物都可以逆合成预测算法提升模型预测的精度和可解释性，对于分子的合成路线设计至关重要。但是目前的ai预测的化合物合成路线预测系统在生成化合物合成路线之后，无法根据用户需求、化合物原料获取难易度、化合物合成难度以及合成所需条件对合成路线进行排序分类为此，我们研发出了新的一种基于ai预测的化合物合成路线预测系统。


技术实现要素：

4.(一)解决的技术问题
5.针对现有技术的不足，本发明提供了一种基于ai预测的化合物合成路线预测系统，解决了现有化合物合成ai预测系统对合成路线不能根据用户需求进行精准排序的问题。
6.(二)技术方案
7.为实现以上目的，本发明通过以下技术方案予以实现：一种基于ai预测的化合物合成路线预测系统，包括ai处理器、存储模块、输入模块、输出模块和网络数据库；
8.ai预测的化合物合成路线预测系统工作步骤包括以下步骤：
9.s1、向所述ai处理器手动输入目标化合物分子式，使得ai处理器可以获得需要合成的目标化合物；
10.s2、所述ai处理器分析目标化合物属性；
11.s3、所述ai处理器根据目标化合物属性，将目标化合物分子式断裂化学键；
12.s4、所述ai处理器对目标化合物断裂化学键后的分子进行逆向合成预测，从而获
得至少一条生成路线；通常一个化合物可有不同合成方式，因此化合物的断键方式也有所不同，ai处理器在学习化合物的合成规则后，可以根据化合物属性进行断键；
13.s5、所述ai处理器对化合物的生成路线进行正向演示，以获得目标化合物，并在预测合成过程中得出每一条生成路线反应所需要的反应条件；
14.s6、所述ai处理器根据反应合成所需条件、原材料获取难度以及用户需求，对生成路线进行排序，最后得出最佳合成路线。
15.优选的，用户可向所述ai处理器输入已有化合物生成路线，让ai处理器自我学习并分析化合物的属性以及化合物合成反应转化的规则，使得ai处理器在学习后能对目标化合物的属性进行分析，并且根据化合物的属性对化合物进行断键，再根据化合物合成反应转化规则进行逆向合成预测。
16.优选的，所述存储模块包括构建的化合物合成路线数据库，所述ai处理器可以获取化合物合成路线数据库的信息进行学习。该数据库由用户向ai处理器转动输入数据并保存，该数据可以是研发过程中得到的化合物合成路线。
17.优选的，所述ai处理器通过网络端口与网络数据库连接，通过网络数据库可获得已有化合物合成的合成路线以及合成规则，从而学习除存储模块中化合物合成路线以外的化合物合成规则。通过网络数据库还可以获取合成目标化合物所需原材料的价格和原材料获取难易度，以便后续排序时进行对比分析。
18.优选的，所述ai处理器通过分析化合物合成材料、用户需求、合成所需条件对合成路线进行对比并排序，从而获得最佳合成路线，再由所述输出模块输出排序后的合成路线。
19.(三)有益效果
20.本发明提供了一种基于ai预测的化合物合成路线预测系统。具备以下有益效果：
21.该一种基于ai预测的化合物合成路线预测系统，通过设置ai处理器、存储模块、输入模块、输出模块和网络数据库，人工可以在ai处理器中输入化合物合成模板，以及构建化合物合成路线数据库并存储在存储模块中，ai处理器通过学习化合物合成模板以及对比化合物合成路线数据库可以，可以将输入的目标化合物进行逆向合成预测，生成一种或多种合成路线，最后再由ai处理器将多个合成路线根据用户需求、合成难度以及原材料获取难易度进行排序分类，从而获得最精准的合成路线。
附图说明
22.图1为本发明一种基于ai预测的化合物合成路线预测系统的结构框图；
23.图2为本发明一种基于ai预测的化合物合成路线预测系统的工作流程图。
具体实施方式
24.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
25.实施例：
26.如图1-2所示，本发明实施例提供一种基于ai预测的化合物合成路线预测系统，包
括ai处理器、存储模块、输入模块、输出模块和网络数据库；
27.ai预测的化合物合成路线预测系统工作步骤包括以下步骤：
28.s1、向ai处理器手动输入目标化合物分子式；
29.s2、ai处理器分析目标化合物属性；
30.s3、ai处理器根据目标化合物属性，将目标化合物分子式断裂化学键；
31.s4、ai处理器对目标化合物断裂化学键后的分子进行逆向合成预测，从而获得至少一条生成路线；化合物的合成可以由不用的原料进行合成，因此一个化合物的断键也可以有不同的方式，所以ai处理器在学习化合物的合成规则后，可以对化合物进行多种断键演示。
32.s5、ai处理器对化合物的生成路线进行正向演示，以获得目标化合物，并在预测合成过程中得出每一条生成路线反应需要的反应条件；该反应条件包括合成目标化合物需要的反应酶，反应温度等参数。
33.s6、ai处理器根据反应合成需条件、原材料获取难度以及用户需求，对生成路线进行排序，最后得出最佳合成路线。
34.用户可向ai处理器输入已有化合物生成路线，让ai处理器自我学习并分析化合物的属性以及化合物合成反应转化的规则，使得ai处理器在学习后能对目标化合物的属性进行分析，并且根据化合物的属性对化合物进行断键，再根据化合物合成反应转化规则进行逆向合成预测。
35.存储模块包括构建的化合物合成路线数据库，ai处理器可以获取化合物合成路线数据库的信息进行学习。
36.ai处理器通过网络端口与网络数据库连接，通过网络数据库可获得已有化合物合成的合成路线以及合成规则，从而学习除存储模块中化合物合成路线以外的化合物合成规则。
37.ai处理器通过分析化合物合成材料、用户需求、合成需条件对合成路线进行对比并排序，从而获得最佳合成路线，再由输出模块输出排序后的合成路线。在ai处理器中输入化合物的名称时，可以预先输入合成该化合物的要求，最后ai处理器生成多种合成路线时会根据预先输入的合成要求进行对比排序。
38.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

技术特征：
1.一种基于ai预测的化合物合成路线预测系统，其特征在于：包括ai处理器、存储模块、输入模块、输出模块和网络数据库；ai预测的化合物合成路线预测系统工作步骤包括以下步骤：s1、向所述ai处理器手动输入目标化合物分子式；s2、所述ai处理器分析目标化合物属性；s3、所述ai处理器根据目标化合物属性，将目标化合物分子式断裂化学键；s4、所述ai处理器对目标化合物断裂化学键后的分子进行逆向合成预测，从而获得至少一条生成路线；s5、所述ai处理器对化合物的生成路线进行正向演示，以获得目标化合物，并在预测合成过程中得出每一条生成路线反应所需要的反应条件；s6、所述ai处理器根据反应合成所需条件、原材料获取难度以及用户需求，对生成路线进行排序，最后得出最佳合成路线。2.根据权利要求1所述的一种基于ai预测的化合物合成路线预测系统，其特征在于：用户可向所述ai处理器输入已有化合物生成路线，让ai处理器自我学习并分析化合物的属性以及化合物合成反应转化的规则，使得ai处理器在学习后能对目标化合物的属性进行分析，并且根据化合物的属性对化合物进行断键，再根据化合物合成反应转化规则进行逆向合成预测。3.根据权利要求1所述的一种基于ai预测的化合物合成路线预测系统，其特征在于：所述存储模块包括构建的化合物合成路线数据库，所述ai处理器可以获取化合物合成路线数据库的信息进行学习。4.根据权利要求1所述的一种基于ai预测的化合物合成路线预测系统，其特征在于：所述ai处理器通过网络端口与网络数据库连接，通过网络数据库可获得已有化合物合成的合成路线以及合成规则，从而学习除存储模块中化合物合成路线以外的化合物合成规则。5.根据权利要求1所述的一种基于ai预测的化合物合成路线预测系统，其特征在于：所述ai处理器通过分析化合物合成材料、用户需求、合成所需条件对合成路线进行对比并排序，从而获得最佳合成路线，再由所述输出模块输出排序后的合成路线。

技术总结
本发明提供一种基于AI预测的化合物合成路线预测系统，包括AI处理器、存储模块、输入模块、输出模块和网络数据库；AI预测的化合物合成路线预测系统工作步骤包括以下步骤，向所述AI处理器手动输入目标化合物分子式。通过设置AI处理器、存储模块、输入模块、输出模块和网络数据库，人工可以在AI处理器中输入化合物合成模板，以及构建化合物合成路线数据库并存储在存储模块中，AI处理器通过学习化合物合成模板以及对比化合物合成路线数据库可以，可以将输入的目标化合物进行逆向合成预测，生成一种或多种合成路线，最后再由AI处理器将多个合成路线根据用户需求、合成难度以及原材料获取难易度进行排序分类，从而获得最精准的合成路线。从而获得最精准的合成路线。从而获得最精准的合成路线。


技术研发人员：常闻宇
受保护的技术使用者：蔚泓智能信息科技（上海）有限公司
技术研发日：2023.07.26
技术公布日：2023/10/11