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！

龙图腾网获悉中国人民解放军国防科技大学申请的专利一种基于骨架的子图支持度计算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：CN120597999B 。

龙图腾网通过国家知识产权局官网在2025-11-18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：202511095030.X，技术领域涉及：G06N5/01；该发明授权一种基于骨架的子图支持度计算方法是由赵翔;谢震;侯文哲;刘丽华;黄宏斌;吴继冰;武飞扬设计研发完成，并于2025-08-06向国家知识产权局提交的专利申请。

本一种基于骨架的子图支持度计算方法在说明书摘要公布了：本发明公开了基于骨架的子图支持度计算方法，包括以下步骤：构建分子结构图或反应路径图；提取子图；将子图转换为查询图和数据图；通过节点标签、度和邻接关系初步过滤数据图中不与查询图匹配的节点，并将查询图和数据图分解为子查询和子结构；将数据子结构和子查询中的节点嵌入为特征向量；通过特征交互关联查询与数据图；估计子查询在数据子结构中的支持度；收集不同数据子结构中多个子查询的估计支持度，聚合得到输入查询图的最终值；根据查询图的最终值识别并输出药物多步反应中的关键中间体。本申请解决了子图支持度量计算问题，能够估计多种类型的子图支持度量，提升了所提框架的准确性。

本发明授权一种基于骨架的子图支持度计算方法在权利要求书中公布了：1.一种基于骨架的子图支持度计算方法，其特征在于，包括以下步骤： 获取药物化学分子图的原子、分子和键的属性，包括原子类型、键级、立体化学，构建分子结构图或反应路径图； 提取分子结构图或反应路径图中的子图；将子图转换为查询图和数据图； 通过节点标签、度和邻接关系初步过滤数据图中不与查询图匹配的节点，并将查询图和数据图分解为子查询和子结构，这些子结构和子查询将作为后续深度学习模型的输入； 将数据子结构和子查询中的节点嵌入为特征向量，捕捉节点间的关系和相似性； 通过特征交互关联查询与数据图，在表示空间中对齐查询节点和数据图节点的表示，同时考虑匹配信息； 将子结构和子查询的交互表示作为输入，估计子查询在数据子结构中的支持度； 收集不同数据子结构中多个子查询的估计支持度，聚合得到输入查询图的最终值； 根据查询图的最终值识别并输出药物多步反应中的关键中间体； 其中，所述通过特征交互关联查询与数据图，在表示空间中对齐查询节点和数据图节点的表示，同时考虑匹配信息，包括： 对于每个子查询图和数据子结构对，构建一个交互图，所述交互图包含来自子查询图和数据子结构的所有节点及其原始边； 使用GNN模型捕捉交互图中每个节点的邻居信息； 使用方向相似性损失函数学习潜在的匹配关系，并捕捉查询图不同部分对最终结果的贡献； 所述方向相似性损失函数查询节点与数据节点表示间的方向相似性： ； 其中和分别用于计算子查询图中每个查询节点与其在数据子结构中匹配节点集和不匹配节点集的损失值，具体计算如下： ； ； 其中，是数据图节点的节点表示，是中的节点，是子查询图的点集，是节点的节点表示； 使用下式衡量查询节点与其在数据子结构中匹配节点集的表示间投影长度损失；对每个数据图节点表示，其在查询图节点表示方向上的投影长度拟合对最终支持度值的贡献；使用查询图的真实最终支持度值指导数据子结构中节点的表示； ； 使用下式作为交互阶段的总体损失函数，其中和是超参数，分别表示方向相似性损失和投影长度损失的权重： ； 至此，查询图和数据图中每个节点的表示已将其节点属性、结构特征和匹配信息嵌入到一个d维特征向量中，该向量将用于后续估计和聚合阶段的子图支持度推断； 所述将子结构和子查询的交互表示作为输入，估计子查询在数据子结构中的支持度，包括： 通过下式获取子查询图或数据子结构的图表示，即汇集子查询图中节点的表示，其中，子查询图的数据子结构为，生成d维特征向量来表示,是第个子查询图: ； 将子查询图和数据子结构的图表示拼接为特征向量； 将拼接后的特征向量输入MLP模型，估计子查询图在数据子结构中的支持度； 最终，对于查询图的子查询集中的每个子查询图，是子查询的数量，通过分解后的数据子结构集中的每个数据子结构，是子结构的数量，得到其支持度估计值； 所述收集不同数据子结构中多个子查询的估计支持度，聚合得到输入查询图的最终值，包括：通过查询图聚合和数据图聚合返回最终结果： 所述查询图聚合针对给定的数据子结构，聚合每个子查询图的估计支持度，并返回其聚合支持度，具体包括： 将每个子查询图编入为一个d维特征向量，同时考虑其与其他子查询图的重叠节点关系，然后通过GNN模型计算其权重； 计算子查询图与和与的重叠节点表示和；是骨架图上子查询图与之前的边的表示向量，是骨架图上子查询图与之前的边的表示向量； 将子查询图的表示向量与和组合为一个d维特征向量，输入GNN模型以推断的权重；通过所有子查询图的骨架权重，对加权子图支持度求和并返回结果，即查询图在数据子结构中的估计支持度； 所述数据图聚合累加查询图在每个数据子结构中的估计支持度，返回最终支持度； 通过监督学习训练深度学习模型，其总体损失函数如下： ； 其中，是支持度估计损失，是子查询集合，是数据图，是交互阶段损失，和为超参数，分别控制两部分损失的权重；当训练迭代次数达到预设阈值时终止训练； 所述支持度估计损失为：； 是训练集真实值。

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中国人民解放军国防科技大学，其通讯地址为：410073 湖南省长沙市开福区德雅路109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。