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！

龙图腾网获悉电子科技大学申请的专利一种基于图卷积神经网络的药物靶标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：CN115394354B 。

龙图腾网通过国家知识产权局官网在2026-02-06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：202211004610.X，技术领域涉及：G16B15/30；该发明授权一种基于图卷积神经网络的药物靶标预测方法是由赵思成;朱嘉静;刘勇国;张云;李巧勤;陆鑫设计研发完成，并于2022-08-22向国家知识产权局提交的专利申请。

本一种基于图卷积神经网络的药物靶标预测方法在说明书摘要公布了：本发明涉及计算机辅助药物设计技术领域，尤其是涉及一种基于图卷积神经网络的药物靶标预测方法。本发明提出了基于平衡生成树的元路径选择方法，能根据不同路径距离自适应选择合适元路径，使得选择的元路径能涵盖更多的有效消息；采用注意力机制对不同元路径下获取的邻域特征进行融合，差异化融合了不同类型节点的特征；基于距离分层次获取不同远近邻域的特征，能更好地捕获高阶的拓扑结构特征；通过考虑类间置信度、路径置信度和度置信度的MLP网络进行最终药物靶标预测，进一步融合图中的信息。

本发明授权一种基于图卷积神经网络的药物靶标预测方法在权利要求书中公布了：1.一种基于图卷积神经网络的药物靶标预测方法，其特征在于，包括以下步骤： S1、基于已知的数据构建数据集，包括： 药物-药物属性相似度矩阵其中Nd为药物的数量，药物-药物属性相似度是指药物之间在化学结构上的相似度； 药物属性矩阵其中g代表药物属性向量维度，每一行都是一个药物节点的属性向量； 靶点-靶点属性相似度矩阵其中Nt为靶点的数量，靶点-靶点属性相似度是通过归一化Smith–Waterman分数计算得出； 靶点属性矩阵h代表靶点属性向量维度，每一行都是一个靶点节点的属性向量； 药物-靶点关联定义为当第i个药物和第j个靶点之间存在相互作用关系，Yi，j＝1；当第i个药物和第j个靶点之间不存在相互作用关系，Yi，j＝0； S2、基于S1中的数据集构造异构网络GE，V，Xd，Xt，其中V是顶点集，顶点集包括药物和靶点两种类型的节点，E是边集，边集基于Sd、St、Y构造，包括药物-药物、药物-靶点、靶点-靶点三种类型； 在异构网络G中，两个节点之间通过不同元路径连接，一条元路径Φ定义为由组成的路径，Rl表示节点Al和Al+1之间的关系； S3、基于图卷积神经网络学习节点嵌入，具体为： S31、对异构网络G中的药物节点i，将药物节点i通过元路径Φ连接到的所有邻居节点的集合表示为NiΦ，以i为根节点生成平衡树，将平衡树根到叶子节点的路径记录，作为备选元路径，则定义药物节点i的元路径邻域节点集合为m表示元路径编号，采用K层元路径筛选方法，则进一步定义药物节点i的元路径邻域节点集合为表示距离为k的第m条元路径，1≤k≤K，从而得到药物节点i基于元路径的邻域特征聚合为： 其中表示学到的嵌入特征，di是药物节点i对应的特征向量，是节点级注意力向量，表示在元路径下邻居节点l和药物节点i之间的重要性： 其中σ表示激活函数，是一个权重向量，||表示拼接操作； 在第k层，给定元路径集合后，1≤m≤M，M为总的元路径数量，对于药物节点i，在异构网络G中，药物节点i的元路径包括连接药物节点-药物节点的元路径、连接药物节点-靶点节点的元路径两类，将连接药物节点-药物节点的元路径用表示，将连接药物节点-靶点节点的元路径用表示，在每一个元路径下对药物节点i进行嵌入，得到节点i在不同元路径下的两类特征，分别为和 S32、对获得的两类特征，采用平均池化的方式进行融合： 其中表示第k层连接药物节点-药物节点的元路径数量，表示第k层连接药物节点-靶点节点的元路径数量； 再采用拼接的方式融合得到第k层的最终特征： 最终获得药物节点i所有层次基于距离的特征集合 S33、采用注意力机制对基于距离的特征集合进行融合，获得药物节点i的最终嵌入向量为： 其中βk是注意力参数，通过对每一层的重要性ωk归一化得到： 重要性ωk是通过对层次嵌入使用单层MLP转化度量得到： 其中q表示映射向量，tanh是非线性激活函数，W是单层MLP的权重参数，b是偏置； S34、采用如S31-S33的方法，获得靶点节点j对应的嵌入向量pj； S4、采用基于置信的MLP网络进行二分类，基于置信的MLP网络的输入为S3中获得的hi和pj、以及置信因子，根据S1中获得的Y，将Y中为1的已知药物靶标关联作为正例，随机等量选取未知的药物靶标关联作为负例，对于药物i和靶点j，计算它们之间的置信向量，将嵌入向量hi和pj以及置信向量c拼接作为MLP网络的输入，预测结果表示为： proji＝ghi，pj，c，Θ 其中proji表示靶点j为药物i的靶标的概率，Θ表示MLP网络的参数； 置信向量c包括类间转换置信、路径置信、度置信，其中类间转换置信根据不同类别药物与不同类别靶点间存在的已知药靶关联获得，路径置信通过药物i和靶点j间的最短路与元路径对比计算获得，度置信通过药物i和靶点j在图中的度计算获得； 利用获得的数据对基于置信的MLP网络进行训练，损失函数使用交叉熵损失： yij表示药物i和靶点j之间是否存在关联，正类为1，负类为0，N表示已知药物靶标关联对的数量，λ是用于控制正则化项强度的超参； 最终得到训练好的网络模型； S5、利用训练好的网络模型进行药物靶标预测。

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电子科技大学，其通讯地址为：611731 四川省成都市高新西区西源大道2006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。