买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉福州大学申请的专利深度学习结合模式生物斑马鱼的化学物质安全性评估方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116612831B 。

龙图腾网通过国家知识产权局官网在2025-08-08发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310742263.9，技术领域涉及：G16C20/30；该发明授权深度学习结合模式生物斑马鱼的化学物质安全性评估方法是由翁祖铨;叶昭庭;钟意;苏嘉怡设计研发完成，并于2023-06-21向国家知识产权局提交的专利申请。

本深度学习结合模式生物斑马鱼的化学物质安全性评估方法在说明书摘要公布了：本发明提出深度学习结合模式生物斑马鱼的化学物质安全性评估方法，包括以下步骤；步骤S1、收集已知的化合物毒性数据信息形成数据集，划分为多个化合物种类和多个毒性种类，并标注有无毒性；步骤S2、转换数据集中化合物的SMILES分子结构数据，得到化合物的分子图，作为GRU‑GCN网络模型的输入；步骤S3、构建并训练带有注意力机制的双向门控循环单元的图卷积神经深度网络GRU‑GCN；步骤S4、将步骤S2得到的分子图输入到GRU‑GCN网络中，经迭代训练获得GRU‑GCN网络模型的权重参数；步骤S5、使用步骤S4训练好的GRU‑GCN模型，输入需要预测的化合物分子图，待模型提取到结构特征后，通过决策函数输出毒性预测结果；本发明可通过预测化合物对斑马鱼的毒性来筛选出存在安全性隐患的化合物。

本发明授权深度学习结合模式生物斑马鱼的化学物质安全性评估方法在权利要求书中公布了：1.深度学习结合模式生物斑马鱼的化学物质安全性评估方法，其特征在于：所述方法以GRU-GCN网络模型学习分子图的特征来预测化合物对斑马鱼的毒性，并以此评估化合物的安全性；所述方法包括以下步骤； 步骤S1、从公开文献或数据库中收集已知的化合物毒性数据信息形成数据集，根据化合物来源将化合物划分为多个化合物种类，把毒性数据根据毒性种类划分为多个毒性数据集，并标注每个数据集中各化合物有无毒性； 步骤S2、转换数据集的化合物的SMILES分子结构数据，得到化合物的分子图，作为GRU-GCN网络模型的输入； 步骤S3、利用GCN网络的图卷积层、具有注意力机制的双向门控循环单元Bi-GRU-Att，输出全局特征的Readout函数和全连接层，构建并训练带有注意力机制的双向门控循环单元的图卷积神经深度网络GRU-GCN； 步骤S4、将步骤S2得到的分子图输入到GRU-GCN网络中，经迭代训练获得GRU-GCN网络模型的权重参数； 步骤S5、使用步骤S4训练好的GRU-GCN模型，输入需要预测的化合物的分子图，待模型提取到化合物的结构特征后，通过决策函数输出预测结果，判断化合物是否具有与步骤S1中化合物种类、毒性种类对应的毒性； 在构建模型时，使用具有注意力机制的双向门控循环单元Bi-GRU-Att来确定分子图中每个节点的感受野；双向门控循环单元的Bi-GRU层增强节点的特征使其具有不同大小的感受野； 注意力机制通过为每个GCN层分配一个注意力得分来确定对每个节点具有意义的感受野，其中每个代表节点v在第l层所学习到的特征的权重；注意力得分最高的层成为节点v的感受野，节点v的最终特征由每一层特征的加权平均值确定，以公式表述为； 节点特征作为Bi-GRU层的输入，用于生成前向GRU和后向GRU隐藏层状态和，其中K表示输出维度； 将和连接组成隐藏层状态该隐藏层状态向量包含更丰富的信息，并且能够捕获每个节点v的GCN层之间的依赖关系，即时间步长； 包含了所有来自GCN层的节点v的特征； ΘAtt∈R1×2K是一个将Zv映射到标量值的权重矩阵，同时softmax函数产生了所有的GCN层注意力分数加权和由Sv和隐藏层状态Zv相乘得到，并作为最终节点特征池化层的Readout函数定义为： 其中hi是第i个节点的特征向量，N是图中节点的数量，r是聚合后的全局特征向量，最后通过全连接层得到模型的输出，定义如下： y＝σWx+b公式十八； 其中输入向量为x∈Rn，全连接层的权重矩阵为W∈Rm×n，偏置向量为b∈Rm，激活函数σ采用sigmoid,其定义为 图卷积网络用于提取到化合物的分子结构特征与标签的关系，在图卷积网络后添加具有注意力机制的双向门控循环单元Bi-GRU-Att以确定分子图中每个节点的感受野，优化GRU-GCN对分子图的特征的学习以提取有意义的子结构； 在图卷积网络中，每一个分子被认为是一张图的结构，网络正向传播过程中，图神经网络随机选择一个原子作为中心，并将其输入的初始化特征作为第零层，第一层将离中心原子的最近的邻居原子的特征加和到中心原子身上，依次迭代，使中心原子获得了临近所有原子的所有特征并将其作为最终中心原子的特征；其过程以公式表述为： 其中L代表图卷积的层数，代表每个原子在不同层下的特征，代表权重矩阵，N代表原子邻居的个数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人福州大学，其通讯地址为：350108 福建省福州市闽侯县福州大学城乌龙江北大道2号福州大学；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。