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！

龙图腾网获悉重庆邮电大学申请的专利一种基于多视角图神经网络的药物靶标匹配推荐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：CN119601078B 。

龙图腾网通过国家知识产权局官网在2025-11-14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：202411665435.8，技术领域涉及：G16B15/30；该发明授权一种基于多视角图神经网络的药物靶标匹配推荐方法是由牟以恒;王进;邓婉婷;顾宇鸽设计研发完成，并于2024-11-20向国家知识产权局提交的专利申请。

本一种基于多视角图神经网络的药物靶标匹配推荐方法在说明书摘要公布了：本发明属于计算生物学领域，具体涉及一种基于多视角图神经网络的药物靶标匹配推荐方法，包括：获取待预测的药物靶标信息，将其输入训练好的药物靶标推荐模型，选取预测概率大于交互阈值的药物靶标推荐给用户；本发明利用基于点和边进行消息传递的图神经网络提取药物分子特征向量，从原子和化学键两个角度对药物分子进行建模和特征提取，同时考虑到药物序列信息的全局性，利用交叉注意力机制对药物分子的原子特征、化学键特征和序列特征进行交互，更准确的捕捉药物分子和靶标蛋白之间的复杂关系，提高药物靶标相互作用预测的准确性。

本发明授权一种基于多视角图神经网络的药物靶标匹配推荐方法在权利要求书中公布了：1.一种基于多视角图神经网络的药物靶标匹配推荐方法，其特征在于，包括： 获取待预测的药物靶标信息，将其输入训练好的药物靶标推荐模型，选取预测概率大于交互阈值的药物靶标推荐给用户； 药物靶标推荐模型的训练过程包括： S1：获取药物靶标信息，包括：药物SMILES序列、分子图结构和靶标氨基酸序列； S2：根据药物的原子和化学键性质分别构建原子初始特征向量和化学键初始特征向量，分别使用基于点特征消息传递的图神经网络和基于边特征消息传递的图神经网络抽取药物分子图的原子特征向量hatom和化学键特征向量hbond； 根据药物的原子和化学键性质分别构建原子初始特征向量和化学键初始特征向量，包括： S21：对每个原子的原子序数、所连接的化学键数量、形式电荷、手征性和杂化方式进行one-hot编码，得到的01特征向量作为原子的初始特征向量h0v，其中，v表示原子，特征维度为d1； S22：对每个化学键的化学键类型、是否为共轭键、是否是环的一部分和立体化学性进行one-hot编码，得到的01特征向量作为化学键的初始特征向量h0euv，其中，euv表示原子u和原子v之间连接的化学键，特征维度为d2； 基于点特征消息传递的图神经网络，包括： 基于点特征消息传递的图神经网络包含T个时间步，每个时间步t中，原子v根据基于点特征消息传递的图神经网络的消息函数从与原子v邻接原子中聚合信息得到在下一个时间步t+1的向量mt+1v，基于点特征消息传递的图神经网络的更新函数利用向量mt+1v、原子v的初始特征向量h0v和在时间步t的特征向量htv得到原子v在下一个时间步t+1的特征向量ht+1v；在最后一个时间步T，整合所有原子特征，得到原子特征向量hatom； mt+1v和ht+1v的计算公式如下： 其中，Nv表示与原子v邻接的原子集合，mt+1v和ht+1v的特征维度为d1，htu表示与原子v邻接原子u在时间步t中的特征向量； 基于边特征消息传递的图神经网络包括： 基于边特征消息传递的图神经网络包含T个时间步，每个时间步t中，原子u和原子v的之间的化学键的特征向量根据基于边特征消息传递的图神经网络的消息函数从邻近的化学键中聚合得到在下一个时间步t+1的向量mt+1euv，基于边特征消息传递的图神经网络的更新函数利用向量mt+1euv、化学键euv的初始特征向量h0euv和在时间步t的特征向量hteuv得到euv在下一个时间步t+1的特征向量ht+1euv；在最后一个时间步T，整合所有原子特征，得到原子特征向量hbond； mt+1euv和ht+1euv的计算公式为： 其中，Nv\u表示与原子v相邻但不包含u的原子集合，htevk表示原子u和原子k的之间的化学键evk在时间步t的特征向量； S3：根据药物SMILES序列得到药物的序列特征hseq，利用交叉注意力机制将药物的原子特征向量和化学键特征向量分别和药物序列特征向量进行交互，将交互后的原子和化学键特征向量拼接作为药物分子的最终特征向量Hd； 根据药物SMILES序列得到药物的序列特征hseq，利用交叉注意力机制将药物的原子特征向量和化学键特征向量分别和药物序列特征向量进行交互，将交互后的原子和化学键特征向量拼接作为药物分子的最终特征向量Hd，包括： S31：为SMILES序列中的每个字符设置一个随机初始化的特征向量，维度为d1，采用一维门控卷积神经网络进行特征提取，得到SMILES序列特征hseq，维度为c×d1，其中，c表示SMILES序列长度； S32：将药物分子的原子特征向量hatom作为注意力机制中的Query，序列特征hseq作为注意力机制中的Key和Value，利用注意力机制计算得到交互后的原子特征向量Hatom； S33：将药物分子的化学键特征向量hbond作为注意力机制中的Query，序列特征hseq作为注意力机制中的Key和Value，根据注意力机制计算得到交互后的原子特征向量Hbond； S34：将Hatom和Hbond拼接后得到药物分子的最终特征向量Hd； S4：根据靶标氨基酸序列得到靶标序列特征向量Hp，将药物分子的特征向量和靶标序列特征向量交互，得到药物靶标的匹配概率； 根据靶标的氨基酸序列得到靶标序列特征向量Hp，将药物分子的特征向量和靶标序列特征向量交互，得到药物靶标的匹配概率，包括 S41：将靶标的氨基酸序列分为多个重叠的三元氨基酸子序列，为每个三元氨基酸子序列分配一个随机初始化的特征向量，维度为d1，通过一维门控卷积神经网络进行特征提取，得到靶标序列特征向量Hp，维度为b×d1，其中，b表示三元氨基酸子序列长度； S42：将药物分子的特征向量Hd作为注意力机制中的Query，靶标序列特征Hp作为Key和Value，根据注意力机制计算得到交互的特征向量 S43：将药物分子的特征向量Hp作为注意力机制中的Query，靶标序列特征Hd作为Key和Value，根据注意力机制计算得到交互的特征向量 S44：通过线性变化将特征向量和映射到同一个维度d，将两者拼接送入二分类线性层，得到药物和靶标匹配的概率； S5：根据模型输出的概率和已获取的药物靶标匹配信息计算损失来更新推荐模型的权重，得到训练好的药物靶标推荐模型。

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重庆邮电大学，其通讯地址为：400065 重庆市南岸区南山街道崇文路2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。