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！

龙图腾网获悉湖南大学申请的专利一种结合主动学习的多目标优化分子生成方法和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：CN116453617B 。

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：202310327953.8，技术领域涉及：G16C20/50；该发明授权一种结合主动学习的多目标优化分子生成方法和系统是由周珍冉;刘元盛;宋勃升;曾湘祥;付祥政;曹东升设计研发完成，并于2023-03-30向国家知识产权局提交的专利申请。

本一种结合主动学习的多目标优化分子生成方法和系统在说明书摘要公布了：本发明属于人工智能中的深度学习和主动学习ActivateLearning，AL技术领域，公开了一种结合主动学习的多目标优化分子生成方法和系统，构建结合主动学习的多目标优化分子生成模型和性质预测模型并进行训练；在训练完成后，冻结生成模型编码器和性质预测模型的权重；使用从隐空间z中随机采样后输入到解码器，预测模型将解码器的输出作为输入预测性质；分子生成模型通过预测模型的输出执行相对于隐空间z的梯度下降优化z；将优化后的z再次输入到解码器获取分子图向量并进行有效性校正得到最终优化分子。本发明提高分子生成速度和多目标优化成功率，适用于各种靶蛋白的亲和力优化问题。

本发明授权一种结合主动学习的多目标优化分子生成方法和系统在权利要求书中公布了：1.一种结合主动学习的多目标优化分子生成方法，其特征在于，包括：构建结合主动学习的多目标优化分子生成模型和性质预测模型并进行训练；在训练分子生成模型和性质预测模型后，冻结生成模型编码器和性质预测模型的权重；使用从隐空间中随机采样后输入到解码器，预测模型将解码器的输出作为输入预测性质；分子生成模型通过预测模型的输出执行相对于隐空间的梯度下降优化；将优化后的z再次输入到解码器获取分子图向量，最后通过进行有效性校正得到最终优化分子，性质预测模是通过以下步骤训练得到的： 1将ZINC250k数据集作为未标注样本池，从中随机抽取一千条分子作为初始训练集，随机抽取一千条分子作为独立测试集，从样本池中删除已抽取的分子；根据给定目标类型使用不同性质计算方式计算分子性质标签，再使用训练数据集中的分子构建分子向量图； 其中关于分子性质计算，采用RDkit包内置函数计算QED值和合成可行性SA分数，采用AutoDock-GPU计算与靶蛋白的结合亲和力值； 2将步骤1得到的n*S的分子图向量矩阵输入到特征提取网络中，得到n*H特征向量矩阵T；将特征向量矩阵T输入到全连接网络中得到最后的预测性质标签向量y，长度为n，n表示数据数量； 3根据步骤2得到的预测性质标签向量y和真实性质标签向量计算损失，并利用损失迭代训练生成模型；采用Adam优化器，ReduceLROnPlateau函数自动更新学习率，最终获得训练好的性质预测模型； 其中，使用均方误差损失函数的公式如下： ， 4从样本池随机抽取pool_num条分子，并使用训练好的生成模型生成五千条通过有效性修正器的合法分子，将分子合并构建未标注数据集，pool_num大小在QED或SA性质预测模型训练情况下设置为50000，在进行结合亲和力性质预测模型训练情况下设置为5000；对未标注数据集进行数据处理，获取分子图向量矩阵；使用已训练好的性质预测模型对未标注数据集进行预测，获取预测结果y和预测模型倒数第二层神经网络Dropout层输出的参数，大小为n*H2； 5将步骤4得到的分子图向量矩阵和参数矩阵输入到主动学习筛选函数中；其中，主动学习筛选函数包括：基于Fisher信息优化最大似然估计误差的边界进行过采样，从数据集中选择2*batch个样本；使用k-MEANS++种子算法对2*batch个样本进行聚类，筛选出batch个样本；batch大小在进行QED或SA性质预测模型训练情况下设置为10000，在进行结合亲和力性质预测模型训练情况下设置为1000； 6对筛选出的batch个样本进行性质标签计算，并加入到训练集中；如果筛选出的样本属于未标注样本池中的样本，则从样本池中删除未标注的样本，并重新训练性质预测模型； 7重复步骤4至步骤6直到达到停止条件，获得最终训练好的性质预测模型，设置停止条件为重复迭代10次。

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湖南大学，其通讯地址为：410082 湖南省长沙市岳麓区麓山南路1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。