本公开涉及人工智能和深度学习，更具体地，涉及一种分子性质预测模型的训练方法、预测方法、装置及设备。
背景技术：
1、在药物发现和材料科学领域，分子性质预测是一项关键任务。分子性质预测是指根据分子的结构预测其性质，例如溶解性和毒性，这对新药和新材料的开发至关重要。然而，在真实的分子性质预测场景中，获取分子的性质标签是一个十分耗时且昂贵的过程，因此面临数据标签稀缺的挑战。为此，小样本分子性质预测已经成为一个重要问题，旨在根据有限的分子性质标签对未知的分子性质进行预测。
2、然而，目前传统方法训对小样本预训练分子性质预测模型进行微调训练时，由于使用少量有标签分子微调预训练分子性质预测模型的所有参数会导致模型参数量与数据量之间的不平衡，从而导致过拟合。
技术实现思路
1、有鉴于此，本公开提供了一种分子性质预测模型的训练方法、预测方法、装置及设备。
2、本公开的一个方面提供了一种分子性质预测模型的训练方法，包括：将样本分子数据集中的目标样本分子的样本原子特征输入分子性质预测模型的第一神经网络，得到第一样本原子特征向量；将目标样本分子的样本化学键特征输入分子性质预测模型的第一神经网络，得到样本化学键特征向量；根据目标样本分子的上下文信息，确定与目标样本分子关联的样本分子上下文特征向量，其中，样本分子上下文特征向量包括目标样本分子对应的样本分子节点特征向量和需要预测目标样本分子的样本目标分子性质对应的样本目标分子性质节点特征向量；将第一样本原子特征向量、样本化学键特征向量和样本分子上下文特征向量输入分子性质预测模型的第二神经网络，得到第二样本原子特征向量；将第二样本原子特征向量输入分子性质预测模型的第三神经网络，得到目标样本分子的预测目标分子性质；根据目标样本分子的预测目标分子性质和目标样本分子的真实目标分子性质对分子性质预测模型的参数进行调整，得到经训练的分子性质预测模型。
3、本公开的另一个方面提供了一种分子性质预测方法，包括：根据目标分子的上下文信息，确定与目标分子关联的分子上下文特征向量；将目标分子的原子特征、化学键特征和分子上下文特征向量输入经训练的分子性质预测模型中，得到目标分子的目标分子性质的预测结果，其中，分子上下文特征向量包括目标分子对应的分子节点特征向量和需要预测目标分子的目标分子性质对应的目标分子性质节点特征向量；其中，经训练的分子性质预测模型是利用根据权利要求1~7中任一项的训练方法训练得到的。
4、本公开的另一个方面提供了一种分子性质预测模型的训练装置，包括：第一输入模块，用于将样本分子数据集中的目标样本分子的样本原子特征输入分子性质预测模型的第一神经网络，得到第一样本原子特征向量；第二输入模块，用于将目标样本分子的样本化学键特征输入分子性质预测模型的第一神经网络，得到样本化学键特征向量；确定模块，用于根据目标样本分子的上下文信息，确定与目标样本分子关联的样本分子上下文特征向量，其中，样本分子上下文特征向量包括目标样本分子对应的样本分子节点特征向量和需要预测目标样本分子的样本目标分子性质对应的样本目标分子性质节点特征向量；第一获得模块，用于将第一样本原子特征向量、样本化学键特征向量和样本分子上下文特征向量输入分子性质预测模型的第二神经网络，得到第二样本原子特征向量；第二获得模块，用于将第二样本原子特征向量输入分子性质预测模型的第三神经网络，得到目标样本分子的预测目标分子性质；调整模块，用于根据目标样本分子的预测目标分子性质和目标样本分子的真实目标分子性质对分子性质预测模型的参数进行调整，得到经训练的分子性质预测模型。
5、本公开的另一个方面提供了一种电子设备，包括：
6、一个或多个处理器；
7、存储器，用于存储一个或多个程序，
8、其中，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现如上的方法。
9、本公开的另一方面提供了一种计算机可读存储介质，存储有计算机可执行指令，指令在被执行时用于实现如上的方法。
10、本公开的另一方面提供了一种计算机程序产品，计算机程序产品包括计算机可执行指令，指令在被执行时用于实现如上的方法。
11、根据本公开的实施例，由于采用了目标样本分子的上下文信息，确定与其相关联的样本分子上下文特征向量，将样本分子上下文特征向量、目标分子的第一样本原子特征向量以及样本化学键特征向量输入分子性质预测模型的第二神经网络，得到第二样本原子特征向量；将第二样本原子特征向量输入分子性质模型的第三神经网络，得到目标样本分子的预测目标分子性质，并基于该预测目标分子性质和真实目标分子性质对分子预测模型进行参数调整，得到经训练的分子预测模型的技术手段，以解决现有方法中参数量与数据量之间不平衡以及编码器对上下文缺少感知的问题，实现对预训练分子编码器的有效微调，进而实现更加精准的小样本分子性质预测。
1.一种分子性质预测模型的训练方法，包括：
2.根据权利要求1所述的方法，其中，所述目标样本分子由m个样本原子组成，每个所述样本原子包括n个样本原子特征；
3.根据权利要求1所述的方法，其中，所述根据所述目标样本分子的上下文信息，确定与所述目标样本分子关联的样本分子上下文特征向量，包括：
4.根据权利要求1所述的方法，其中，所述第二神经网络包括消息传递层模块和适配器模块；
5.根据权利要求4所述的方法，其中，所述利用所述适配器模块，对所述样本分子上下文特征向量和与所述消息传递层模块的第q层对应的第三样本原子特征向量进行特征处理，得到与所述适配器模块的第q层对应的第二样本原子特征向量，包括：
6.根据权利要求1所述的方法，其中，所述将所述第二样本原子特征向量输入所述分子性质预测模型的第三神经网络，得到所述目标样本分子的预测目标分子性质，包括：
7.根据权利要求1所述的方法，其中，所述样本分子数据集包括支持集和查询集；
8.一种分子性质预测方法，包括：
9.一种分子性质预测模型的训练装置，包括：
10.一种电子设备，包括：
