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！

龙图腾网获悉中国海洋大学申请的专利一种基于几何深度学习的蛋白质结合位点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：CN120954495B 。

龙图腾网通过国家知识产权局官网在2025-12-23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：202511483334.3，技术领域涉及：G16B20/30；该发明授权一种基于几何深度学习的蛋白质结合位点预测方法是由张树刚;徐文鸿;孙品;魏志强设计研发完成，并于2025-10-17向国家知识产权局提交的专利申请。

本一种基于几何深度学习的蛋白质结合位点预测方法在说明书摘要公布了：本发明涉及蛋白质预测技术领域，特别涉及一种基于几何深度学习的蛋白质结合位点预测方法。本发明引入蛋白质几何描述及对应的几何图学习方案，为建模三维结构特征提供了可行途径；此外，还提出了一种RSA引导两阶段的混合迁移学习策略，首先在更大数据集上训练模型以学习通用表征，随后针对结合位点预测进行微调，从而缓解有限数据训练中的过拟合问题；本发明设计了基于密度聚类的预测后处理模块与集成学习模块，显著降低了模型在多次训练运行中的高方差。

本发明授权一种基于几何深度学习的蛋白质结合位点预测方法在权利要求书中公布了：1.一种基于几何深度学习的蛋白质结合位点预测方法，其特征在于， 包括以下步骤： 步骤一：构建特征描述符 为残基节点和节点之间的边构建描述符；节点与边都包含标量与向量两类特征，其中节点的初始标量描述符引入预训练语言模型ProtT5生成残基嵌入，对每个残基，得到1024维特征，此外，为每个残基计算14维DictionaryofSecondaryStructureofProteinDSSP特征作为补充，DSSP表示蛋白二级结构词典特征，以上两部分构成节点标量特征向量；节点向量描述符包含两个部分，分别用于描述蛋白质的主链方向和侧链方向，在主链方向方面，为每个残基生成与相邻的α碳原子对齐的正向和反向单位向量，在侧链方向方面，侧链呈四面体几何结构；边的标量描述符以残基i为中心残基节点，对于每条标记为的边，即由残基j指向残基i的边，生成两个标量特征，分别为空间距离编码和序列距离编码；边的向量描述符中，边的向量特征通过计算两个残基中原子的位置差直接获得； 步骤二：几何图学习模块 引入几何图学习模块来捕捉蛋白质固有的几何特征，包括几何图学习模块中的核心层——几何向量感知器，即GVP；对于蛋白质的节点初始标量描述符，引入Bi-GRU，首先将蛋白质的节点初始标量描述符送入双向门控循环单元进行处理，形式上，更新门和重置门的计算公式以及前向方向上残基的隐藏状态；对于几何向量感知器GVP，给定由标量特征和向量特征组成的元组，并由几何向量感知器将其更新；为更新节点特征，几何图学习模块采用消息传递机制完成图传播，获得中心残基的最终表示；最后结合位点预测部分，更新后的节点标量特征作为残基节点的最终表示，送入多层感知器MLP进行结合位点预测； 步骤三、混合迁移学习 本步骤提出两阶段混合迁移学习，首先在更大数据集上训练几何图学习模块以学习通用表征，随后针对结合位点预测进行微调；鉴于相对溶剂可及性RSA与结合位点密切相关，在两阶段均采用RSA将通用知识迁移至模型； 步骤四、后预测模块 本步骤引入了两个后预测模块，分别是基于密度的聚类和并行集成学习两个部分； 1基于密度的聚类：由于结合位点呈簇状分布，预测结果经过进一步优化以体现该特征，若某残基被预测为结合位点"a"，但周围环绕着非结合残基，模型将降低其概率——因结合位点极少单独存在；反之，被预测为非结合位点的残基"b"若被正样本包围，其预测结果也将相应调整，据此，采用基于密度的聚类方法调整每个表面残基的概率； 2并行集成学习：采用集成策略，训练多个并行基础学习器并进行集成，从而构建更精确的模型；GeoPPIS中的集成学习策略与交叉验证相结合。

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海洋大学，其通讯地址为：266000 山东省青岛市崂山区松岭路238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。