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！

龙图腾网获悉太原理工大学申请的专利基于知识图谱嵌入、GNN和Bi-LSTM的抗癌药物协同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：CN119495443B 。

龙图腾网通过国家知识产权局官网在2026-03-13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：202411647411.X，技术领域涉及：G16H70/40；该发明授权基于知识图谱嵌入、GNN和Bi-LSTM的抗癌药物协同预测方法是由董云云;常云青;刘冉冉;孟耀飞;武韬;陈鹏飞;董树琦;牛凝哲设计研发完成，并于2024-11-18向国家知识产权局提交的专利申请。

本基于知识图谱嵌入、GNN和Bi-LSTM的抗癌药物协同预测方法在说明书摘要公布了：本发明提供一种基于知识图谱嵌入、GNN和Bi‑LSTM的抗癌药物协同预测方法，属于抗癌药物协同预测技术领域；为解决抗癌药物协同预测效果差的问题，采用的技术方案为：从数据库中分别获取药物、蛋白质、细胞系、组织相互作用的对应联系；根据上述对应关系构建知识图谱，基于不同药物组合的协同得分将所有的药物组合分组；基于药物组合分组结果以及构建的知识图谱，提取与药物或者细胞系存在交互的邻居实体集，构建知识图的注意力层，对邻居实体集中每个实体的初始实体嵌入表示进行迭代更新；将迭代更新产生的实体邻域结构作为输入，通过图神经网络提取高阶结构和语义关系，学习药物及其邻域表示；本发明应用于抗癌药物协同预测。

本发明授权基于知识图谱嵌入、GNN和Bi-LSTM的抗癌药物协同预测方法在权利要求书中公布了：1.基于知识图谱嵌入、GNN和Bi-LSTM的抗癌药物协同预测方法，其特征在于：包括如下的预测步骤： 步骤S1：从数据库中分别获取：药物与蛋白质相互作用的对应联系、细胞系与蛋白质相互作用的对应联系、蛋白质与蛋白质相互作用的对应联系、细胞系与组织相互作用的对应联系； 步骤S2：根据上述对应联系构建知识图谱，基于不同药物组合的协同得分将所有的药物组合分组； 步骤S3：基于药物组合分组结果以及构建的知识图谱，提取与药物或者细胞系存在交互的邻居实体集，构建知识图谱的注意力层，对邻居实体集中每个实体的初始实体嵌入表示进行迭代更新； 步骤S4：将迭代更新产生的实体邻域结构作为输入，通过图神经网络提取高阶结构和语义关系，学习药物及其邻域表示，具体方法为： 步骤S41：学习节点的嵌入表示，引入图神经网络，对每个节点进行邻域采样； 步骤S42：学习邻域信息，设置参数H，定义为CNN中的感知域； 设置给定药物对的接受野深度为2，表示考虑二阶相连的节点情况； 步骤S43：通过聚合邻域信息得到实体最终的嵌入表示，将与药物节点直接相连的节点定义为Nneighe，采用固定的邻域范围Se； 步骤S5：构建基于注意力的池化模块学习药物对之间的交互信息，通过加强对药物对的表示，将嵌入表示再聚合成单个向量，具体方法为： 步骤S51：将聚合实体输入到构建的基于注意力的池化模块； 步骤S52：基于注意力的池化模块为每个药物的子结构分配一个分数，并对所有结点的嵌入进行加权求和以获得图级表示； 步骤S53：采样结束之后，通过三种聚合方法将实体自身的嵌入表示和邻域信息的嵌入表示聚合起来，最终得到当前实体的嵌入表示： 通过三种聚合方法进行最终实体表示的聚合，输出为单个向量，其中定义sum聚合方法是一种叠加操作，concat聚合方法是一种拼接操作，neighbor聚合方法只考虑邻域信息而忽略自身的信息，相应的聚合表达式为： sum聚合：； concat聚合：； neighbor聚合：； 其中，σ是Sigmod激活函数；W和b是可训练权重和偏差；e是某个实体，Se是邻域范围； 步骤S6：采用Bi-LSTM网络对药物和细胞嵌入进行回归分析，分析后将其接入多层全连接网络，预测协同得分，具体方法为： 具体使用双向长短期记忆网络Bi-LSTM对协同得分进行预测： 步骤S61：输入序列准备，将输入序列划分为等长的时间步长，每个时间步长是一个特征向量； 步骤S62：构建Bi-LSTM模型，包括前向LSTM和后向LSTM，其中前向LSTM负责从序列的起始位置向后进行处理，后向LSTM负责从序列的末尾位置向前进行处理，每个LSTM单元都包括输入门、遗忘门、输出门组件； 步骤S63：前向传播，将输入序列逐个时间步长输入前向LSTM，得到每个时间步长的前向隐藏状态序列； 步骤S64：后向传播，将输入序列逐个时间步长输入后向LSTM，得到每个时间步长的后向隐藏状态序列； 步骤S65：合并隐藏状态，将前向和后向的隐藏状态序列按时间步长进行合并，合并后的隐藏状态序列包含了序列中每个时间步长处的综合信息，同时考虑了从序列起始和末尾两个方向的信息； 步骤S66：输出层处理，将合并后的隐藏状态序列输入到两个全连接层； 步骤S7：使用MSELoss函数计算误差，使用Adam优化器对模型进行多轮训练学习，输出最终的抗癌药物组合方案，具体方法为： 具体使用MSELoss计算误差并使用Adam优化器进行训练： 步骤S71：计算预测值和真实值之间的差异，每个样本的差异是向量或矩阵； 步骤S72：计算平方差，将每个差异值取平方，得到对应的平方误差； 步骤S73：计算均值，对所有样本的平方误差进行求和，然后除以样本数量，得到平均的平方误差，即为均方误差损失函数的值； 步骤S74：反向传播，将均方误差作为损失，通过反向传播算法，计算损失函数对模型参数的梯度； 步骤S75：使用Adam优化器根据损失函数的梯度更新模型参数，使得模型逼近最优解： 根据损失函数的梯度，学习率lr，动量参数β1，用于计算梯度二次矩的指数衰减率β2，先更新一阶矩估计，再更新二阶矩估计，随后再修正一阶、二阶矩估计偏差，更新参数，重复迭代。

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太原理工大学，其通讯地址为：030024 山西省太原市迎泽西大街79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。