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！

龙图腾网获悉华东师范大学申请的专利一种基于生物子结构预测药物-靶标相互作用的深度学习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：CN115312125B 。

龙图腾网通过国家知识产权局官网在2025-09-09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：202210207457.4，技术领域涉及：G16B40/00；该发明授权一种基于生物子结构预测药物-靶标相互作用的深度学习方法是由刘丹;钱莹;窦亮设计研发完成，并于2022-03-03向国家知识产权局提交的专利申请。

本一种基于生物子结构预测药物-靶标相互作用的深度学习方法在说明书摘要公布了：本发明提出一种基于生物子结构预测药物‑靶标相互作用的深度学习方法，该方法首先提取出药物和靶标的功能性子结构，其中药物子结构包括分子支链、常见子结构和逆合成片段，根据化学性质将靶标的氨基酸序列转换为种类序列，再采用不重叠的k‑gram进行切分，得到靶标子结构；然后基于卷积神经网络进行子结构特征学习；实验表明本发明可以有效捕获药物‑靶标相互作用的功能性特征，在不同规模和分布的数据集上表现均优于现有技术，具有合理性和通用性。

本发明授权一种基于生物子结构预测药物-靶标相互作用的深度学习方法在权利要求书中公布了：1.一种基于生物子结构预测药物-靶标相互作用的深度学习方法，其特征在于，该方法步骤如下： 步骤a：输入一个药物的规范化SMILES序列D和靶标氨基酸序列T； 步骤b：分别对药物的规范化SMILES序列D和靶标氨基酸序列T进行子结构提取，具体包括： 1对于药物的规范化SMILES序列D，使用BCM方法提取药物的子结构，包括： 1.1首先从药物的规范化SMILES序列D提取出药物的支链，根据SMILES的定义规则，即其支链使用“”括起来，提取出支链，剩余部分为主链； 1.2然后根据字符串匹配提取出主链中常见的子结构； 1.3最后再依据RECAP的逆合成碎片规则将主链进行裂解得到逆合成片段； 1.4整合所述的支链、常见的子结构和逆合成片段，作为规范化SMILES序列D的子结构集合FD； 2对于靶标氨基酸序列T使用CFM方法提取子结构，CFM方法首先将氨基酸按照化学结构或性质分为8类，通过种类特征映射得到种类序列TC；然后采用不重叠的k-gram序列将TC切割成靶标的功能子结构集合FT； 步骤c：构建协同特征学习模块，该模块由输入表示和特征学习两部分组成，具体包括： 1在输入表示中，分别对药物的规范化SMILES序列D的子结构集合FD和靶标的功能子结构集合FT进行初始编码表示，包括： 1.1对药物的规范化SMILES序列D的子结构集合FD的表示，首先采用标签编码对药物子结构集合FD进行编码，获得药物的初始表示ID；然后将ID转化为药物的嵌入表示ED∈Rmax _drug_frag_length*embed_size，其中max_drug_frag_length表示最大的药物子结构集合的大小，embed_size表示嵌入维度； 1.2对靶标的功能子结构集合FT进行表示，先用标签编码对靶标子结构集合FT进行编码，获得靶标的初始表示IT；然后将IT转化为其嵌入表示ET∈Rmax_target_frag_length*embed_size，其中max_target_frag_length表示最大的靶标子结构集合的大小，embed_size表示嵌入维度； 2在特征学习中，分为药物的特征学习和靶标的特征学习，包括： 2.1在药物特征学习中，将ED作为初始输入，送入卷积神经网络学习药物特征，该卷积神经网络由多个卷积块和最终的池化层组成，每个卷积块由卷积层、激活层指数线性单元以及批次归一化层组成，最后采用池化层进行特征降维，得到最终的药物表示VD； 2.2在靶标特征学习中，将ET作为初始输入，送入卷积神经网络对靶标特征进行学习，该卷积神经网络由多个卷积块和最终的池化层组成，每个卷积块由卷积层、激活层指数线性单元以及批次归一化层组成，最后接入池化层，得到最终的靶标表示VT； 步骤d：构建预测器，具体包括： 1首先拼接步骤c中最终的药物表示VD和靶标表示VT，得到药物-靶标的相互作用表示V； 2然后将V送入多层感知机进行相互作用学习，所述多层感知机是一个全连接网络，由多个全连接层和最终的sigmoid激活层组成，除最后一层外，每层全连接后接入一个修正线性单元和丢弃层，防止过拟合；最终得到相互作用预测概率，大于0.5则表示预测两者会发生相互作用，小于0.5则不会。

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华东师范大学，其通讯地址为：200241 上海市闵行区东川路500号；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”。