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！

龙图腾网获悉复旦大学申请的专利一种基于测试时适应的药物虚拟筛选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：CN120727141B 。

龙图腾网通过国家知识产权局官网在2026-04-07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：202510840936.3，技术领域涉及：G16C20/30；该发明授权一种基于测试时适应的药物虚拟筛选方法及系统是由申奥;王满宁;宋志坚设计研发完成，并于2025-06-23向国家知识产权局提交的专利申请。

本一种基于测试时适应的药物虚拟筛选方法及系统在说明书摘要公布了：本发明公开了一种基于测试时适应的药物虚拟筛选方法及系统，方法包括以下步骤：采集蛋白质口袋‑小分子配对的历史数据集；构建由蛋白质口袋编码器与小分子编码器组成的双编码器架构；基于历史数据集对双编码器架构进行联合训练，得到小分子筛选模型；获取蛋白质口袋数据，基于小分子筛选模型对蛋白质口袋数据对应的候选小分子进行筛选和排序，得到对应的活性化合物。本发明首次将测试时适应技术引入到药物虚拟筛选任务中，在无需依赖测试标签的前提下，实现模型对未知样本的结构特异性动态适配，显著提升了泛化性能。

本发明授权一种基于测试时适应的药物虚拟筛选方法及系统在权利要求书中公布了：1.一种基于测试时适应的药物虚拟筛选方法，其特征在于，包括以下步骤： 采集蛋白质口袋-小分子配对的历史数据集； 构建由蛋白质口袋编码器与小分子编码器组成的双编码器架构； 基于所述历史数据集对所述双编码器架构进行联合训练，得到小分子筛选模型； 获取蛋白质口袋数据，基于所述小分子筛选模型对所述蛋白质口袋数据对应的候选小分子进行筛选和排序，得到对应的活性化合物； 得到所述历史数据集的方法包括： 从公开的蛋白质数据库中获取具有三维结构信息的历史蛋白质口袋数据； 从公开的化合物数据库中采集多样化的历史小分子结构数据； 针对每个所述历史蛋白质口袋数据，筛选出对应的所述历史小分子结构数据，形成蛋白质口袋-小分子配对数据集，得到所述历史数据集； 得到所述小分子筛选模型的方法包括： 采用对比学习策略，基于所述历史数据集构造正负样本对，联合训练所述双编码器架构； 利用自监督辅助任务对训练后的所述双编码器架构的参数进行局部微调，并通过自适应权重分配法实现模型在测试时的动态适应； 构建基于元学习的辅助训练框架，在训练过程中模拟测试时的适应过程，以提升所述双编码器架构在辅助任务引导下的主任务性能，完成模型训练，得到所述小分子筛选模型； 进行局部微调的方法包括： 在模型推理阶段，针对每个测试样本引入若干自监督任务，通过所述自监督任务计算辅助损失并驱动模型参数进行样本级微调，以增强所述双编码器架构对测试样本结构特征的适应能力； 所述自监督任务包括原子类型预测、三维坐标重建、距离预测、KL散度最小化与对比学习； 所述自适应权重分配法包括： 提取所述双编码器架构在顶层、中间层和底层的多尺度特征，通过任务特定的多层感知器网络计算每个辅助任务的权重，并使用归一化方式对各任务损失进行加权融合，完成测试时针对样本特征的动态权重调节； 所述辅助训练框架的工作方法包括： 在训练阶段模拟测试时适应过程，先基于辅助任务更新归一化层等子参数，再对主任务进行梯度反向传播优化，通过双阶段更新策略引导模型学习基于所述辅助任务提升所述主任务的表现，同时防止所述辅助任务对所述主任务造成干扰或过拟合； 对所述候选小分子进行筛选和排序的方法包括： 获取所述蛋白质口袋数据，利用所述小分子筛选模型，计算所述蛋白质口袋数据与小分子的特征表示的相似度分数； 将所有所述候选小分子按与所述蛋白质口袋的所述相似度分数进行排序，并将所述相似度分数高于阈值的分子作为潜在结合配体，得到所述对应的活性化合物。

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复旦大学，其通讯地址为：200032 上海市杨浦区邯郸路220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。