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！

龙图腾网获悉湘潭大学申请的专利基于子图感知与混合图神经网络的药物重定位方法及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：CN120108781B 。

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：202510223409.8，技术领域涉及：G16H70/40；该发明授权基于子图感知与混合图神经网络的药物重定位方法及系统是由孟祥茂;文鑫强;卢诚谦设计研发完成，并于2025-02-27向国家知识产权局提交的专利申请。

本基于子图感知与混合图神经网络的药物重定位方法及系统在说明书摘要公布了：本发明公开了一种基于子图感知与混合图神经网络的药物重定位方法及系统，所述方法包括：在药物‑疾病关联网络中，针对目标药物‑疾病对，生成对应的动态药物‑疾病关联子图；针对中的药物节点和疾病节点，分别构建药物子图和疾病子图；对应用基于多头动态图注意力神经网络模型进行深度特征提取，基于GCN模型和GAT模型融合分别对和网络进行特征提取，得到、和最终的特征表示；将三者融合后输入基于多层感知机MLP网络的药物‑疾病关联预测模型，预测目标药物‑疾病对的关联关系。本申请能实现高效、精准的药物‑疾病关联预测。

本发明授权基于子图感知与混合图神经网络的药物重定位方法及系统在权利要求书中公布了：1.一种基于子图感知与混合图神经网络的药物重定位方法，其特征在于，包括： S1、在药物-疾病关联网络中，以目标药物-疾病对为中心，从目标药物-疾病对的邻域中提取所有与目标节点相关的药物节点和疾病节点，以及这些节点之间的边，生成对应的动态药物-疾病关联子图； S2、利用药物节点之间的相似性数据和疾病节点之间的相似性数据，针对中的药物节点和疾病节点，分别构建药物子图和疾病子图； S3、对应用基于多头动态图注意力神经网络模型进行深度特征提取，得到最终的特征表示； S4、基于图卷积网络GCN模型和图注意网络GAT模型融合分别对和网络进行特征提取，得到和最终的特征表示和；具体包括： S401、使用GCN模型对目标节点及其相邻节点的特征进行聚合；其中GCN模型包括层神经网络，其中2；药物节点和疾病节点在第层神经网络的特征更新公式为： ； ； 其中，、分别代表第层神经网络药物节点和疾病节点的局部结构特性，归一化系数和定义为： ； ； 其中，和分别代表药物节点和药物节点在药物子图中的度数；和分别代表疾病节点和疾病节点在疾病子图中的度数； 、分别为在GCN模型的第层神经网络中针对药物子图和疾病子图的可学习的参数矩阵； 由上述公式计算得到和； S402、使用GAT模型捕获相邻节点之间的相互作用；其中GAT模型包括层神经网络，其中2；每一层神经网络分别采用多头注意力机制对药物节点和疾病节点的特征进行更新；药物节点和疾病节点在GAT模型第层神经网络的特征更新公式定义如下： ； ； 和为药物节点和疾病节点在GAT模型第层神经网络更新后的节点特征，为GAT模型包含的注意力头数，为在GAT模型的第层神经网络的第个注意力头中药物节点和药物节点之间的注意力权重，为在GAT模型的第层神经网络的第个注意力头中疾病节点和疾病节点之间的注意力权重，和分别为在GAT模型的第层神经网络中针对药物子图和疾病子图的可学习的参数矩阵； 由上述公式计算得到和； S403、对GCN模型和GAT模型的输出进行加权融合，生成目标节点的最终特征表示；融合过程定义为： ； ； 其中，与分别代表药物节点和疾病节点的最终特征表示，为融合比率超参数，用于调整GCN模型和GAT模型输出的相对贡献； 由药物子图中所有药物节点的最终特征表示构成药物子图最终的特征表示； 由疾病子图中所有疾病节点的最终特征表示构成疾病子图最终的特征表示； S5、将最终的特征表示进行融合，构建统一的特征表示；将输入基于多层感知机MLP网络的药物-疾病关联预测模型，通过药物-疾病关联预测模型输出目标药物-疾病对的关联关系预测结果； 所述步骤S3中的多头动态图注意力神经网络模型、所述S4中的图卷积网络GCN模型和图注意网络GAT模型和所述步骤S5中的基于多层感知机MLP网络的药物-疾病关联预测模型，基于已知的目标药物-疾病对关联关系训练优化得到。

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湘潭大学，其通讯地址为：411199 湖南省湘潭市西郊；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。