随着诸如非典、禽流感、猪流感等新型疾病出现,开发针对于这些疾病的新型药物面临越来越多的挑战。药物的设计与开发是一件耗资巨大且效率低下的工作,当生物学研究发现某一特定分子可实现治疗活性时,发现的分子常常因为毒性,低活性和低溶解度等多种原因最终不能成为潜在的药物。近些年来,随着药代动力学的发展,传统药物筛选的效率也逐渐提高,然而,对一种新的具有潜在药用价值的化合物进行测试,需要进行活体检测和实验,耗费大量时间及成本。因此,当前迫切需要一种准确、高效以及低成本的方式来快速鉴别某一分子对生物是否有副作用,能不能成为潜在的药物。在过去的几年中,深度学习在计算机视觉,语音识别,自然语言处理取得了巨大的进展,自2012年的AlexNet开始,卷积神经网络(CNN)更是大放异彩。针对上述问题,本文使用了一种改进的图卷积神经网络(GCN),将其应用于药物性质的预测,取得了较好的效果。本文的具体工作内容如下:1.本文使用了一种基于图的卷积多项式改进的图卷积神经网络模型,相比之前的图卷积网络可以更好的学习SMILES(简化分子输入规范)格式分子的特征。改进的图卷积网络可以处理SMILES格式的分子结构,并通过基于图的两种特征(原子特征和结构特征)来学习复杂的分子特征。2.本文提出了一种提取分子的结构特征的方法。本文使用RDkit化学工具包,通过遍历分子中所有原子以及价键,生成分子的邻接矩阵和度的矩阵,并计算拉普拉斯矩阵,将拉普拉斯矩阵做为分子的结构特征。在学习结构特征的同时,对于分子中每个原子的特征,文中借鉴自然语言处理的思想,使用词向量进行表述。将SMILES格式的分子数据集,根据SMILES格式规范以及原子和基团的特点进行分词,然后使用Word2vec训练词向量,用于表征分子中每个原子的特征。同时,基于目前流行的预训练的思想,本文使用了大量的基于SMILES格式分子的数据集训练词向量,从而提高词向量的表征能力。3.本文将经过改进的图卷积神经网络结合词向量用于药物性质(ADMET特性,包括吸收、分布、代谢、排泄和毒性)的预测中,通过与传统方法的比较体现本文方法的有效性。