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！

龙图腾网获悉河南大学申请的专利基于图生成对抗网络和变分自动编码器的药物重定位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：CN116312759B 。

龙图腾网通过国家知识产权局官网在2026-01-02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：202310201284.X，技术领域涉及：G16B15/30；该发明授权基于图生成对抗网络和变分自动编码器的药物重定位方法是由王建林;马旭设计研发完成，并于2023-03-03向国家知识产权局提交的专利申请。

本基于图生成对抗网络和变分自动编码器的药物重定位方法在说明书摘要公布了：本发明涉及生物信息学技术领域，具体涉及基于图生成对抗网络和变分自动编码器的药物重定位方法，该方法包括：利用药物相似性矩阵、靶标相似性矩阵和药物‑靶标相互作用矩阵，构建药物‑靶标的异构网络、邻接矩阵和初始特征矩阵；采用变分自动编码器利用卷积神经网络的特征提取和融合功能，将药物‑靶标的邻接矩阵和初始特征矩阵中的初始特征编码为隐变量；基于药物‑靶标的异构网络，利用对抗模型强化隐变量中药物和靶标的特征表示；在对抗模型多次迭代后，通过提取生成器中的隐变量，用以构建预测矩阵；对未知的药物‑靶标的相互作用进行预测。本发明在药物‑靶标相互作用预测方面具有较好的性能，对药物进行重定位具有较好的效果。

本发明授权基于图生成对抗网络和变分自动编码器的药物重定位方法在权利要求书中公布了：1.一种基于图生成对抗网络和变分自动编码器的药物重定位方法，其特征在于，包括以下步骤： 利用已知的药物相似性矩阵、靶标相似性矩阵和药物-靶标相互作用矩阵，构建药物-靶标的异构网络、邻接矩阵和初始特征矩阵； 采用变分自动编码器利用卷积神经网络的特征提取和融合功能，将药物-靶标的邻接矩阵和初始特征矩阵中的初始特征编码为隐变量； 基于药物-靶标的异构网络，利用对抗模型强化隐变量中药物和靶标的特征表示，其中，对抗模型是带有注意力机制的生成对抗网络，对抗模型包括生成器和鉴别器； 在对抗模型迭代预设次数后，通过提取生成器中的隐变量，用以构建预测矩阵； 根据预测矩阵，对未知的药物-靶标的相互作用进行预测； 生成器和鉴别器实现的步骤，包括： 隐变量Z在生成器和鉴别器中分别用和表示，和表示其第i行和j行的特征向 量； 生成器用于实现以下步骤： 药物和靶标的注意力分数计算方式为： 其中，和分别是生成器中注意力层的权重和偏置参数，是药物的邻居的集 合； 节点的新表示为： 其中，节点是药物或靶标； 生成器给鉴别器提供的样本从预先构建的广度优先搜索树中采样获得，表示树中 当前搜索到的节点，表示即将搜索的下一个节点，在采样路径中，下一跳的概率对应 的公式为： 其中，和分别是中和的表示，是第个节点的所有邻居的集合； 鉴别器用于实现以下步骤： 第个节点的新特征对应的公式为： 其中，，和分别是鉴别器中注意力层的可训练 权重和偏置参数； 鉴别器同时接收来自异构网络采样的药物-靶标节点对和来自生成器的节点对，并使用分类器对输入的节点对进行测量，该节点对之间存在相互作用的概率对应的公式为： 将反馈给生成器，参与生成器的梯度更新，使生成器更新隐变量； 对抗模型训练之前预定义了药物和靶标的特征之间的相关性，并用正则化的方式保持了药物和靶标特征之间相关性的一致性； 训练前的相关性公式为： 其中，是训练前的相关性； 训练后的相关性公式为： 其中，是训练后的相关性，和的表示分别来自生成器中； 最小化以达到优化目标，其对应的公式为： 其中，是调整一致性对整体损失的贡献的参数，是注意力机制中可训练的权重参 数，是控制注意力权重对模型影响的权重因子，是样本的总数； 生成器和鉴别器以对抗博弈的方式进行迭代，提取生成器学习到的特征表示，用以构建预测矩阵，以实现预测药物-靶标相互作用的目的。

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河南大学，其通讯地址为：450046 河南省郑州市明理路北段379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。