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！

龙图腾网获悉四川大学申请的专利一种基于深层图神经网络的分子表示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：CN116504333B 。

龙图腾网通过国家知识产权局官网在2026-03-10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：202211560221.5，技术领域涉及：G16C20/70；该发明授权一种基于深层图神经网络的分子表示方法及系统是由魏骁勇;田奇;杨震群;曹溢;黄文禹;严丽巧设计研发完成，并于2022-12-06向国家知识产权局提交的专利申请。

本一种基于深层图神经网络的分子表示方法及系统在说明书摘要公布了：本发明公开了一种基于深层图神经网络的分子表示方法及系统，涉及人工智能技术领域，尤其涉及生物计算、深度学习技术领域，解决现有技术过平滑导致图神经网络无法增加图卷积次数以增加结点感受野的问题。本发明调用第三方库将分子的计算机存储数据转化为分子图，分子图包括邻接矩阵、结点和边；分析分子图得到分子图的结点和边的初始特征向量；基于图神经网络和邻接矩阵对结点和边的初始特征向量进行密集残差图卷积运算，得到新的结点和边的特征向量；对新的结点和边的特征向量进行池化操作，得到分子表示。本发明用于分子表示。

本发明授权一种基于深层图神经网络的分子表示方法及系统在权利要求书中公布了：1.一种基于深层图神经网络的分子表示方法，其特征在于，包括如下步骤： 步骤S1.调用第三方库将分子的计算机存储数据转化为分子图,分子图包括邻接矩阵、结点和边，其中，调用第三方库包括RDKit； 步骤S2.分析分子图得到分子图的结点和边的初始特征向量，并将其存入分子图中以获得分子图； 步骤S3.基于图神经网络和邻接矩阵对结点和边的初始特征向量进行密集残差图卷积运算，得到新的结点和边的特征向量； 步骤S3具体包括： 步骤S3.1：图神经网络的各层网络的操作依次为图卷积、激活、密集残差连接、激活、批归一化操作，一次图卷积依次为聚合、更新操作，对第层网络记为,下标的取值范围为，代表网络总层数，不特指层数时简记为，第层网络的输入是上一层网络的输出，第1层网络的输入是步骤S2得到的分子图，第层网络输出的分子图记为，其中，代表邻接矩阵，和分别代表结点和边的集合，代表第层结点和边的特征向量，将存入的初始特征记为； 步骤S3.2：初始化一个新分子图，同时，初始化，将的结点、边、邻接矩阵复制进作为初始化值，得到分子图； 步骤S3.3：聚合操作，即将上的每一个结点的邻居结点和与邻居相邻的边的特征向当前结点汇聚，得到图的结点和边的新特征向量，公式为： ，其中，代表第层聚合函数中学习的参数，是得到的聚合结果； 步骤S3.4：基于步骤S3.3得到的进行更新操作，对聚合结果应用更新函数，更新函数采用一层线性层，得到图上结点和边的新特征向量，公式为： ，其中，代表第层更新函数中学习的参数，是得到的更新结果； 步骤S3.5：基于步骤S3.4得到的更新结果进行激活操作，采用RELU函数作为激活函数，对更新结果进行激活，公式为： ，将得到的激活结果记为，作为分子图上结点和边的新的特征向量； 步骤S3.6：基于步骤S3.5得到的添加密集残差连接，得到更新后的； 当时，公式如下： ，当时，公式如下： ，其中，代表省略递推的公式，密集性体现在蕴含先前所有网络层的输出特征至，残差体现在蕴含第层网络运算之前的特征；此外，该式还体现了初始连接，蕴含原始输入；为上一层网络经过批归一化操作得到的结果； 步骤S3.7：基于步骤S3.6得到的进行再次激活，得到，公式为： ，其中，为激活函数； 步骤S3.8：基于步骤S3.7得到的进行批归一化操作，得到，公式为： ，其中，为批归一化操作函数； 步骤S3.9：当时，将存入，用于后续网络层的步骤，执行，并转到步骤S3.1；当时，将存入，输出最后一层的分子图，得到新的结点和边的特征向量； 步骤S4.对新的结点和边的特征向量进行池化操作，得到分子表示。

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四川大学，其通讯地址为：610000 四川省成都市一环路南一段24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。