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！

龙图腾网获悉北京航空航天大学申请的专利一种基于多智能体强化学习的抗体多位点突变进化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：CN120260676B 。

龙图腾网通过国家知识产权局官网在2025-10-14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：202510704718.7，技术领域涉及：G16B20/50；该发明授权一种基于多智能体强化学习的抗体多位点突变进化方法是由邓岳;李凤基;陶奕麟;李洪珏设计研发完成，并于2025-05-29向国家知识产权局提交的专利申请。

本一种基于多智能体强化学习的抗体多位点突变进化方法在说明书摘要公布了：本发明公开了一种基于多智能体强化学习的抗体多位点突变进化方法，其特征在于，包括以下步骤；将待进化抗体‑抗原蛋白质复合物的序列和结构输入到蛋白质多层级结构提取模块，获得待进化抗体‑抗原蛋白质复合物的序列关系特征以及所述待进化抗体‑抗原蛋白质复合物中选定氨基酸残基的初始状态向量；将初始状态向量和序列关系特征输入到训练好的残基智能体突变决策模块，获得最优突变动作、价值函数和全局特征；将最优突变动作、价值函数和所述全局特征输入到训练好的残基群体价值评估模块，获得最优全局突变策略。本发明可以提高抗体进化设计的效率。

本发明授权一种基于多智能体强化学习的抗体多位点突变进化方法在权利要求书中公布了：1.一种基于多智能体强化学习的抗体多位点突变进化方法，其特征在于，包括以下步骤； S1:将待进化抗体-抗原蛋白质复合物的序列和结构输入到蛋白质多层级结构提取模块，获得待进化抗体-抗原蛋白质复合物的序列关系特征以及所述待进化抗体-抗原蛋白质复合物中选定氨基酸残基Ai的初始状态向量其中，i＝1.2.3..N；N表示选定氨基酸残基的数量； S1具体包括： 对所述选定氨基酸残基Ai进行独热编码，获得所述选定氨基酸残基Ai的独热特征amino_acidi； 以所述选定氨基酸残基Ai中的Cα原子为中心节点为所述选定氨基酸残基Ai建立局部坐标系Ti，并利用所述局部坐标系Ti计算所述选定氨基酸残基Ai中所有原子的局部坐标 所述局部坐标包括Cα原子的局部坐标和除Cα原子之外的其它原子的局部坐标 所述局部坐标基于以下公式获得： 其中，依次表示所述局部坐标系Ti中x轴、y轴、z轴方向的单位向量；Ri表示所述选定氨基酸残基Ai的变换矩阵；表示所述选定氨基酸残基Ai中Cα原子的全局坐标；表示除Cα原子之外的其它原子的全局坐标；Grad-Schmidt表示格拉姆-施密特正交化；表示所述选定氨基酸残基Ai中由Cα原子指向N原子的向量；表示所述选定氨基酸残基Ai中由Cα原子指向C原子的向量； 将所述独热特征amino_acidi和所述局部坐标进行特征拼接后输入到MLP网络，获得综合特征向量hi； 将所述综合特征向量hi和可学习突变嵌入特征mut-embedi进行特征拼接，获得所述初始状态向量 S2:将所述初始状态向量和所述序列关系特征输入到训练好的残基智能体突变决策模块，获得选定氨基酸残基Ai的最优突变动作所述最优突变动作对应的价值函数和所述待进化抗体-抗原蛋白质复合物的全局特征 S2具体包括以下步骤： 将初始局部状态向量和所述序列关系特征依次输入至三个不变点注意力模块，获得全局状态向量其中，所述初始局部状态向量等于所述初始状态向量 将所述初始局部状态向量和所述序列关系特征输入到第一几何注意力模块，获得第一注意力局部状态向量 利用所述全局状态向量和所述第一注意力局部状态向量获得第一局部状态向量其中，和表示共享于同一氨基酸类型残基的可学习权重； 将所述第一局部状态向量和所述序列关系特征输入到第二几何注意力模块，获得第二注意力局部状态向量 利用所述全局状态向量和所述第二注意力局部状态向量获得第二局部状态向量其中，和表示共享于同一氨基酸类型残基的可学习权重； 将所述第二局部状态向量和所述序列关系特征输入到第三几何注意力模块，获得第三注意力局部状态向量 最大化突变动作-价值函数获得所述选定氨基酸残基Ai的最优突变动作以及所述最优突变动作对应的价值函数 所述突变动作-价值函数的计算公式为： 所述最优突变动作和价值函数的表达式为： 其中，ai∈A表示所述选定氨基酸残基Ai的突变动作，具体表示突变为20种可能氨基酸类型中的一种；A表示所有类型突变动作构成的集合；表示估算所述选定氨基酸残基Ai在所述第三注意力局部状态向量为下执行突变动作ai后的预期突变效应的价值网络； 将局部状态序列向量和全局状态序列向量相加，获得全局特征其中， S3：将所述最优突变动作所述价值函数和所述全局特征输入到训练好的残基群体价值评估模块，获得所述待进化抗体-抗原蛋白质复合物的最优全局突变策略； S3具体包括： 从N个最优突变动作中选择N′个进行多位点同时突变，获得个多位点进化策略；其中，N′≤4； 将每个多位点进化策略包含的N′个最优突变动作以及对应的价值函数输入到参数为w和b的超网络中，获得每个多位点进化策略对应的总价值函数；其中，所述总价值函数最小时对应的多位点进化策略即为所述最优全局突变策略； 基于以下公式获得参数w和b； 其中，表示所述待进化抗体-抗原蛋白质复合物的全局特征；表示多位点进化策略突变成的抗体-抗原蛋白质复合物的全局特征；将多位点进化策略突变成的抗体-抗原蛋白质复合物的序列和结构依次输入到蛋白质多层级结构提取模块、残基智能体突变决策模块，获得全局特征表示值混合网络； 还包括优化残基智能体突变决策模块和残基群体价值评估模块的网络参数，获得训练好的残基智能体突变决策模块和训练好的残基智能体突变决策模块； 具体包括以下步骤： 利用蛋白复合物突变效应标准数据集并最小化第一损失函数loss1＝ΔΔG-Qtot2对所述蛋白质多层级结构提取模块、所述残基智能体突变决策模块进行训练，获得所述蛋白质多层级结构提取模块、所述残基智能体突变决策模块的初步网络参数；其中，ΔΔG表示从野生型抗体-抗原蛋白质复合物到突变型抗体-抗原蛋白质复合物的自由结合能变化，所述蛋白复合物突变效应标准数据集包括所述野生型抗体-抗原蛋白质复合物和所述突变型抗体-抗原蛋白质复合物；Qtot表示当所述蛋白质多层级结构提取模块的输入为所述野生型抗体-抗原蛋白质复合物时，所述残基智能体突变决策模块输出的最优全局突变策略将所述野生型抗体-抗原蛋白质复合物突变成所述突变型抗体-抗原蛋白质复合物时，所述残基群体价值评估模块获得的总价值函数； 最小化第二损失函数以进一步更新所述初步网络参数，获得所述蛋白质多层级结构提取模块、所述残基智能体突变决策模块的最终网络参数；其中，表示所述待进化抗体-抗原蛋白质复合物采用最优全局突变策略时的总价值函数，r表示所述待进化抗体-抗原蛋白质复合物突变为最优抗体-抗原蛋白质复合物的奖励函数；所述最优抗体-抗原蛋白质复合物为所述待进化抗体-抗原蛋白质复合物采用最优全局突变策略突变成的抗体-抗原蛋白质复合物； 奖励函数r的计算公式为： 其中，ΔE＝Emut-Ewt表示结合能量变化；Emut表示最优抗体-抗原蛋白质复合物的结合能量；Ewt表示所述待进化抗体-抗原蛋白质复合物的结合能量；表示奖励缩放超参数。

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北京航空航天大学，其通讯地址为：100191 北京市海淀区学院路37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”。

以上内容由龙图腾AI智能生成。