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！

龙图腾网获悉衡阳师范学院申请的专利一种基于结构感知转换器的微生物-药物关联预测方法及系统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：CN117275566B 。

龙图腾网通过国家知识产权局官网在2026-03-20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：202310993313.0，技术领域涉及：G16B5/00；该发明授权一种基于结构感知转换器的微生物-药物关联预测方法及系统是由范柳;朱贤友设计研发完成，并于2023-08-09向国家知识产权局提交的专利申请。

本一种基于结构感知转换器的微生物-药物关联预测方法及系统在说明书摘要公布了：本发明提出了一种基于结构感知转换器的微生物‑药物关联预测方法，包括以下步骤：S1：根据微生物‑药物关联网络和微生物‑疾病‑药物关联网络得到微生物和药物的相似性；S2：基于微生物和药物的相似性，采用重启随机游走算法提取节点间的特征信息；S3：通过微生物‑药物关联网络、微生物相似性以及药物相似性构建异构网络；S4：将异构网络输入到结构感知转换器进行训练得到训练好的结构感知转换器；S5：根据训练好的结构感知转换器预测微生物‑药物潜在关联。本发明利用结构感知转换器既能捕获网络结构信息，又能捕获节点间结构和属性特征，并解决了图神经网络带来的过平滑和过度挤压的问题，提高了预测微生物‑药物关联的精度。

本发明授权一种基于结构感知转换器的微生物-药物关联预测方法及系统在权利要求书中公布了：1.一种基于结构感知转换器的微生物-药物关联预测方法，其特征在于，包括以下步骤： S1：根据微生物-药物关联网络和微生物-疾病-药物关联网络得到微生物和药物的相似性； S2：基于所述的微生物和药物的相似性，采用重启随机游走算法提取节点间的特征信息； S3：通过微生物-药物关联网络、微生物相似性以及药物相似性构建异构网络； S4：将异构网络输入到结构感知转换器进行训练得到训练好的结构感知转换器； S5：根据训练好的结构感知转换器预测微生物-药物潜在关联； 所述步骤S1包括： 通过微生物-药物关联网络计算微生物高斯核相似性和药物高斯核相似性； 通过对微生物-疾病-药物关联网络进行去重操作，得到微生物-药物关联网络、微生物-疾病关联网络以及药物-疾病关联网络，并计算疾病语义相似性，通过疾病语义相似性进一步计算得到微生物功能相似性和药物功能相似性； 通过微生物-药物关联网络和微生物-疾病-药物关联网络计算微生物高斯核相似性和微生物功能相似性、药物高斯核相似性和药物功能相似性，包括以下步骤： 根据微生物-药物关联网络构建邻接矩阵将邻接矩阵A的行定义为nr，nr代表药物数量，矩阵的列为nm，nm代表微生物数量； 用Si和Sj表示邻接矩阵A的第i行和第j行，那么药物ri和药物rj之间的药物高斯核相似性GIR计算如下： GIRri,rj＝exp-μ||Si-Sj||2 其中，μ为标准内核带宽，通过将参数归一化得到； 同理，用Ri和Rj表示邻接矩阵A的第i列和第j列，微生物mi和微生物mj之间的微生物高斯核相似性GIM计算如下： GIMmi,mj＝exp-μ||Ri-Rj||2 根据微生物-药物关联网络、微生物-疾病关联网络以及药物-疾病关联网络获得与微生物和药物相关的共有的疾病，从疾病本体论中获得所述疾病的语义信息，并计算疾病di和疾病dj之间的语义相似性DSE计算如下： 其中，设D1是包含疾病di及其所有关联疾病的集合，表示D1中所有子项的语义贡献值，其计算公式如下： 同上，此外表示D1的所有子项语义贡献值的总和，DVdj同上； 基于上述疾病语义相似性DSE计算药物功能相似性FCR如下： 其中，对于药物ri和药物rj，设有b1种疾病与ri相关，也有b2种疾病与rj相关，所述疾病表示为{dit1≤t≤b1}和{djs1≤s≤b2}； 对于微生物mi和微生物mj，设有n1种疾病与mi相关，n2种疾病与mj相关，所述疾病表示为{dip1≤p≤n1}和{djk1≤k≤n2}，微生物功能相似性FCM计算如下： 将药物相似性表示为IRSri,rj： 将微生物相似性表示为IMSmi,mj： 通过重启随机游走算法计算药物相似性IRS和微生物相似性IMS得到新的药物相似性Sr和微生物相似性Sm，重启随机游走算法的公式为： 其中，λ为重启概率并将其设为0.1，M为转移概率矩阵，ei∈R1*m是节点i的初始概率向量，表示节点i在l时刻到达其他节点的概率； 根据新的药物相似性Sr、微生物相似性Sm以及邻接矩阵A构建异构网络如下： 其中，AT表示邻接矩阵A的转置矩阵； 基于所述的异构网络，作为结构感知转换器模型的输入去训练模型，包括： 所述结构感知转换器包括结构感知注意力机制和转换器的编码器部分； 结构感知注意力机制的计算公式如下： 其中，Xv表示节点v的特征向量，SGv表示图G中以节点v为中心的子图，fxμ＝wvX是一个线性函数，Wv是一个可训练的参数，而kgraph可以是任何一种比较一对子图的核，在结构感知转换器中kgraph的计算方式如下： 其中，kexp表示一个非对称的指数核，是一种基于k层图卷积神经网络GCN的结构提取器，它提取以节点v为中心的一些子图G的向量表示，其表示如下： 转换器的编码器部分由N个相同的层堆叠组成，每一层包含两个子层：自注意力机制层和前馈网络层，在定义了结构感知注意力机制之后，转换器的编码器构建前馈网络层如下： X'＝LayerNormX+SubLayerX X″＝FFNX′＝ReLUX′W1W2 其中，X表示输入的节点特征，W1和W2则表示两个可训练参数，激活函数采用ReLU，在结构感知转换器的每个子层中都有一个残差连接，然后执行一个层标准化操作。

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衡阳师范学院，其通讯地址为：421000 湖南省衡阳市雁峰区黄白路165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。