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！

龙图腾网获悉浙江工业大学申请的专利一种基于对比学习自适应连边属性增强的化合物筛选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：CN116825232B 。

龙图腾网通过国家知识产权局官网在2026-01-20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：202310869998.8，技术领域涉及：G16C20/30；该发明授权一种基于对比学习自适应连边属性增强的化合物筛选方法是由宣琦;邵佳飞;王金焕设计研发完成，并于2023-07-14向国家知识产权局提交的专利申请。

本一种基于对比学习自适应连边属性增强的化合物筛选方法在说明书摘要公布了：一种基于对比学习自适应连边属性增强的化合物筛选方法，包括以下步骤：1获取数据并进行拓扑处理和属性处理；2构建AE‑Learner，联合分析子图网络拓扑和原始图网络属性，为分子图赋加综合连边权重，生成增强视图；3训练AE编码器，通过AE学习目标最大化不同的增强视图间差异；4同一迭代过程中，训练GCL编码器，在图对比学习中通过GCL目标最大化正对间相似度；5重复进行3和4，直到GCL目标损失趋于平稳；6将训练好的GCL编码器应用于下游化合物筛选任务中，编码后的图级表示通过支持向量机进行图分类和性质预测。本发明提供一种显式连边学习的增强方法，结合对比学习，不仅解决了标签稀缺问题，还能补充连边重要性，提高化合物筛选性能。

本发明授权一种基于对比学习自适应连边属性增强的化合物筛选方法在权利要求书中公布了：1.一种基于对比学习自适应连边属性增强的化合物筛选方法，其特征在于，包括以下步骤： S1：数据获取和预处理：获取化合物分子数据，并对数据进行拓扑层级处理和属性层级处理； S2：构建自适应连边属性增强学习器AE-Learner，通过联合分析化合物分子的子图网络拓扑结构和原始图网络属性特征，为原始分子图赋加综合连边权重，生成增强视图；自适应连边属性增强学习器AE-Learner将同步进行子图网络的拓扑层级分析和属性分子网络的属性级分析； 所述的子图网络的拓扑层级分析具体包括：首先，将被输入AE-Learner的AE编码器中进行编码，表面上AE编码器是学习了子图网络的节点上下文信息，但本质已转变为显式学习原始分子图的连边表示，因为子图网络是对连边间高阶交互进行建模，其过程满足公式： 4 接着，节点表示被输入到输出维度为1的MLP映射头中，获得原始分子图在拓扑层级上的连边权重，其过程满足公式： 5 所述的属性分子网络的属性级分析，具体包括：首先将被输入到AE-Learner的AE编码器中进行编码，输出原始分子图的属性层级节点表示，其过程满足公式： 6 接着，将按照连边下标edge_index进行拼接，即相连节点对的节点表示将串联在一起，获得属性层级的边表示，其过程满足如下公式： 7 其中，是遍历所有连边下标后将其拼接的连边表示存储为一个张量，串联拼接操作，是由拼接节点表示获得的连边表示，是一种隐式的边表示； 最后，被输入到输出维度为1的MLP映射头中，获得原始分子图在属性层级上的连边权重，其过程满足如下公式： 8 所述的综合连边权重满足如下公式： 9 S3：设置AE编码器为训练模式，GCL编码器为评估模式，将增强视图输入GCL模型中获取图级表示，并通过AE学习目标最大化不同的增强视图间差异； S4：同一迭代过程中，设置AE学习器为评估模式，GCL编码器为训练模式，获取原始分子图和增强视图，进行对比学习操作，并通过GCL目标最大化正对间相似度； S5：重复进行步骤S3和S4，直到GCL目标损失趋于平稳； S6：将训练好的对比学习编码器应用于下游分子属性预测任务中，编码后的图级表示通过支持向量机进行图分类任务。

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浙江工业大学，其通讯地址为：310014 浙江省杭州市拱墅区潮王路18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。