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！

龙图腾网获悉电子科技大学申请的专利基于多注意力图神经网络学习的中药靶点关系预测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：CN119479781B 。

龙图腾网通过国家知识产权局官网在2025-11-07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：202411409756.1，技术领域涉及：G16B15/30；该发明授权基于多注意力图神经网络学习的中药靶点关系预测方法是由李坤;刘勇国;朱嘉静;李巧勤设计研发完成，并于2024-10-10向国家知识产权局提交的专利申请。

本基于多注意力图神经网络学习的中药靶点关系预测方法在说明书摘要公布了：本发明属于生物信息学领域，具体提供一种基于多注意力图神经网络学习的中药靶点关系预测方法；首先，构建了一个包含中药、靶点、疾病、方剂等多个实体及多种边类型的异构网络，用以更好的描述中药和靶点之间的关系；然后，提出一种基于多注意力图神经网络的方法来学习基于异构网络的中药和靶点的融合特征表示；最后，基于深度神经网络DNN实现中药‑靶点关系进行预测。本发明基于多源异构数据和异构关系、使用多注意力图神经网络对中药、靶点进行融合特征表示，考虑了更全面的信息，实现中药靶点关系预测的同时有效提升预测准确度。

本发明授权基于多注意力图神经网络学习的中药靶点关系预测方法在权利要求书中公布了：1.一种基于多注意力图神经网络学习的中药靶点关系预测方法，其特征在于，包括以下步骤： 步骤1.采集数据并构建异构网络； 从ETCM数据库获取方剂数据、中药数据、靶点数据和疾病数据，构建中药-靶点关联网络Amt、中药-疾病关联网络Amd、中药-方剂关联网络Amf、中药相互作用网络Amm、靶点相互作用网络Att、中药-中药相似网络Smm、靶点-疾病关联网络Atd、靶点-靶点相似网络Stt共八个网络，并组合构成一个异构网络； 步骤2.对异构网络的中药节点进行特征向量初始化； 步骤3.对异构网络的中药节点、靶点节点分别进行相似性计算，得到异构网络的邻接矩阵； 步骤4.构建基于图注意网络GAT的图卷积神经网络模型，根据邻接矩阵提取得到异构网络中每个节点在每一层图卷积层的节点特征表示；所述图卷积神经网络模型采用三层堆叠结构，其中，每一层图卷积层的特征表示为： 其中，i表示节点信息，l表示图卷积神经网络中层数信息，r表示边关系类型信息，αij表示注意力系数，表示归一化常数，表示对称的平方根归一化常数，φ·表示Relu激活函数；表示节点i关于边关系r的邻域集，表示节点j关于边关系r的邻域集；表示边关系为r的第l层图卷积层的训练参数，表示节点i在第l层图卷积层的特征表示，表示节点j在第l层图卷积层的邻域特征表示，且每个节点的原始特征表示初始化为one-hot向量；表示节点i在第l+1层图卷积层的特征表示；al表示第l层图卷积层的训练参数，σ·表示sigmoid激活函数； 步骤5.采用自注意力机制对异构网络的节点特征表示进行多层图卷积融合，得到异构网络中每个中药节点与靶点节点的融合特征表示；自注意力机制中定义查询向量、键向量和值向量表示为： ql＝WQ·vl,kl＝WK·vl,l＝1,2,3 其中，ql、kl、vl分别表示注意力机制的查询向量、键向量和值向量，WQ、WK表示自注意力机制的训练参数； 对于任意两层图卷积层，注意力系数表示为： 其中，emn表示第m层图卷积层与第n层图卷积层的注意力系数，m,n∈1,2,3； 则，对于节点i，多层图卷积融合后特征表示为： 其中，表示节点i在图卷积神经网络的第l层图卷积层的特征表示，l∈1,2,3； 由此，得到每个中药节点以及每个靶点节点的融合特征表示； 步骤6.将待预测的中药节点与靶点节点的融合特征表示进行拼接，构成中药-靶点特征向量并送入中药-靶点关系预测模型中，由模型输出中药靶点关系预测结果；中药-靶点关系预测模型采用三层DNN网络。

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电子科技大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006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。