Document
拖动滑块完成拼图
个人中心

预订订单
商城订单
发布专利 发布成果 人才入驻 发布商标 发布需求

请提出您的宝贵建议,有机会获取IP积分或其他奖励

投诉建议

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 积分商城 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 辽宁科技大学王玉昆获国家专利权

辽宁科技大学王玉昆获国家专利权

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!

龙图腾网获悉辽宁科技大学申请的专利一种基于模型稳健性的定量结构-活性关系模型构建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:CN115527619B

龙图腾网通过国家知识产权局官网在2025-12-12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:202211121917.8,技术领域涉及:G16C10/00;该发明授权一种基于模型稳健性的定量结构-活性关系模型构建方法是由王玉昆;王佳音;王长煜;王欣宇设计研发完成,并于2022-09-15向国家知识产权局提交的专利申请。

一种基于模型稳健性的定量结构-活性关系模型构建方法在说明书摘要公布了:一种基于模型稳健性的定量结构‑活性关系模型构建方法涉及定量结构‑活性关系模型的构建方法,具体涉及以化合物肝脏代谢清除率预测模型为对象的一种基于模型稳健性的QSAR局部模型及其一致性模型的构建方法,属于化学信息学和生物信息学领域。针对目前全局建模方法难于应对肝脏谢清除率预测模型庞杂的建模化合物而造成的模型稳健性差和预测性能难于进一步提高,基于活性作用机理的QSAR局部模型存难于实际应用,基于化学结构相似性的QSAR局部模型缺乏保证模型稳健性技术手段的缺点,本发明提出一种基于模型稳健性的QSAR局部模型构建方法,利用支持向量机回归技术建立QSAR局部模型。

本发明授权一种基于模型稳健性的定量结构-活性关系模型构建方法在权利要求书中公布了:1.一种基于模型稳健性的定量结构-活性关系模型构建方法,其特征在于:对于选定的肝脏代谢清除率建模数据集,利用支持向量机回归建立QSAR局部模型,通过粒子群优化算法,以局部模型的五折交叉验证系数的倒数取得最小值为优化目标,对建模数据集中的化合物、表征化合物结构参数的分子描述符和模型的超参数进行联合选择,从而建立稳健性强、可靠性好的QSAR局部模型;采用基于模型应用域限制的局部模型一致性建模方法,在各局部模型应用域的限制下将建立的多个局部模型组合成一致性模型,提高模型的预测性能,扩大模型的应用范围; 包括以下具体步骤: 步骤1:选定建立肝脏代谢清除率QSAR模型的化合物集合,用描述符计算软件计算化合物的描述符,构建建模数据集; 步骤2:描述符清洗; 步骤3:建模数据集分割; 步骤4:关键描述符选择; 步骤5:基于模型稳健性的局部模型构建; 步骤6:各局部模型的应用域分析; 步骤7:各局部模型的有效性验证,计算通过有效性验证的各局部模型的覆盖率; 步骤8:一致性模型构建; 步骤9:一致性模型预测性能评估,一致性模型与局部模型和传统全局模型的比分析; 所述步骤5需要建立多个局部模型,为了获得结构差异化的局部模型,每个局部模型建立前先在建模数据集D1中随机选择80%的数据,构成局部模型的建模数据集D2;通过PSO优化算法,以局部模型的五折交叉验证系数的倒数取得最小值为优化目标,对建模数据、分子描述符和模型超参数的联合选择;根据PSO算法的优化结果在数据集D2中选择优化的数据子集D3opt,并确定SVR模型的超参数,以保证所建立的局部模型能够获得好的稳健性; 所述步骤8完成一致性模型构建;将步骤5构建好的通过有效性验证的局部模型作为一致性模型的子模型,将其并联组合在一起构成一致性模型;对于待预测化合物a,首先根据各局部模型的应用域对a进行应用域判别,判断a落在哪些局部模型的应用域内;如果a落在某个局部模型的应用域内,则认为该局部模型对a的预测结果是可靠的,否则是不可靠的;最后将所有局部模型对a的可靠预测结果进行平均,得到一致性模型对a的最终预测结果;若a不能落在任何一个局部模型的应用域内,则一致性模型不能对该化合物进行可靠预测。

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辽宁科技大学,其通讯地址为:114031 辽宁省鞍山市立山区千山中路189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。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。