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！

龙图腾网获悉西安电子科技大学申请的专利基于抗菌活性指导搜索优化的抗生素生成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：CN115732040B 。

龙图腾网通过国家知识产权局官网在2026-03-31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：202211550611.4，技术领域涉及：G16C20/30；该发明授权基于抗菌活性指导搜索优化的抗生素生成方法是由鱼亮;陈璐设计研发完成，并于2022-12-05向国家知识产权局提交的专利申请。

本基于抗菌活性指导搜索优化的抗生素生成方法在说明书摘要公布了：本发明提出了一种基于抗菌活性指导搜索优化的抗生素生成方法，实现步骤为：1获取抗生素分子数据集；2构建训练样本集和测试样本集；3构建抗菌活性预测网络模型C；4对抗菌活性预测网络模型C进行迭代训练；5构建抗生素生成网络模型H；6对抗生素生成网络模型H进行迭代训练；7对抗生素分子进行抗菌活性指导搜索的优化；8生成优化结果；本发明解决了现有技术生成效率低、无法保证优化后生成的化合物分子都具有预期活性的技术问题，有效提高了生成效率，并保证了生成的抗生素分子都具有预期抗菌活性，可用于指导新药的研发。

本发明授权基于抗菌活性指导搜索优化的抗生素生成方法在权利要求书中公布了：1.一种基于抗菌活性指导搜索优化的抗生素生成方法，其特征在于，包括如下步骤： 1获取抗生素分子数据集： 获取包括个抗生素分子的数据集，其中，，表示第个简化分子线性输入规范为、分子图为、最低抑菌浓度值为的抗生素分子，，，，表示第个位置的字符，，表示分子图包含的原子的集合，表示分子图中连接各原子的边的集合，表示衡量抗菌活性强弱； 2构建训练样本集和测试样本集： 对抗生素分子数据集中的每一个抗生素分子进行预处理,得到预处理的样本集，随机选取预处理的样本集中个样本作为训练样本集，并将剩余的个样本作为测试样本集,其中，，； 3构建抗菌活性预测网络模型： 3a构建抗菌活性预测网络模型的结构： 构建包括顺次连接的编码器和预测器的抗菌活性预测网络模型，其中编码器采用消息传递神经网路，预测器包括顺次连接的多个由全连接层、激活函数输出层和层组成的特征提取块和输出全连接层； 3b定义抗菌活性预测网络模型的损失函数： ； 其中，为样本的最低抑菌浓度值，为样本的预测最低抑菌浓度值； 4对抗菌活性预测网络模型进行迭代训练： 4a初始化迭代次数为，最大迭代次数为，，抗菌活性预测网络模型的网络参数为，为编码器的网络参数，为预测器的网络参数，并令； 4b将训练样本集作为抗菌活性预测网络模型的输入，编码器对每个训练样本的分子图进行消息传递并读出，得到潜在空间表征，预测器对进行特征提取并输出，得到预测的最低抑菌浓度值； 4c采用损失函数，并通过预测最低抑菌浓度值和最低抑菌浓度值计算抗菌活性预测网络模型的损失，然后采用反向传播方法，并通过计算的参数梯度，最后采用梯度下降算法通过参数梯度对的网络参数进行更新； 4d判断是否成立，若是，得到训练好的抗菌活性预测网络模型，否则，令，并执行步骤4b； 5构建抗生素生成网络模型： 5a构建抗生素生成网络模型的结构： 构建包括顺次连接的编码器和生成器的抗生素生成网络模型，其中编码器及其网络参数采用训练好的抗菌活性预测网络模型中的编码器及其网络参数，生成器包括顺次连接的输入全连接层和多个由自注意力层、层归一化层、层、全连接层和激活函数输出层组成的解码块； 5b定义抗生素生成网络模型的损失函数： ； 其中，是训练样本集中样本的的分子图输入抗生素生成网络模型的编码器获得的潜在空间表征，的生成的第个位置的字符； 6对抗生素生成网络模型进行迭代训练： 6a初始化迭代次数为，最大迭代次数为，，抗生素生成网络模型的网络参数为，为编码器的网络参数，为生成器的网络参数，固定编码器的网络参数不变，并令； 6b将训练样本集作为抗生素生成网络模型的输入，编码器对每个训练样本的分子图进行消息传递并读出，得到潜在空间表征，生成器对输出的潜在空间表征进行维度转换，并进行解码，得到的生成； 6c采用损失函数，并通过的生成对实际的的似然估计计算抗生素生成网络模型的损失，然后采用反向传播方法，并通过计算生成器的参数梯度，最后采用梯度下降算法通过参数梯度对的网络参数进行更新； 6d判断，若是，得到训练好的抗生素生成网络模型，否则，令，并执行步骤6b； 7对抗生素分子进行抗菌活性指导搜索的优化： 7a随机选取测试样本集中的个抗生素分子作为优化目标，将作为抗生素生成网络模型的编码器的输入，获得个样本的优化前潜在空间表征，其中； 7b采样高斯噪声获取的优化起点集合，将作为预测器的输入，获取对应预测抗菌活性集合； 7c设最低抑菌浓度值最小阈值为、最大阈值为，优化后潜在空间表征的集合为,，对应最低抑菌浓度值的集合为，，其中，，，为优化后潜在空间表征的集合，为对应最低抑菌浓度值的集合，令，； 7d初始化优化次数，总优化次数，其中，，令； 7e采用搜索优化函数，以中抗菌活性为指导，对进行搜索优化，获取新的优化起点集合和预测抗菌活性集合，并获取优化后更新的集合和对应集合，实现步骤为： 7e1产生随机数集合,其中， 7e2从中获取，其中， ，并从中获取对应的预测最低抑菌浓度值，其中 7e3初始化和，判断，若是，采用搜索更新函数对进行搜索更新，更新函数的输入是、、，输出是更新后的，采用预测器对更新，预测器输入是，输出是更新后的，否则，,； 7e4根据步骤7e3获取,，,并获取,，，并获取一轮优化后新的优化起点集合和预测抗菌活性集合，其中，，； 7e5初始化、，令、，获取中元素满足阈值区间的元素下标，将中下标对应的元素添加到中，将中下标对应的元素添加到中； 7e6根据步骤7e5获取和，并获取一轮优化后更新的优化后潜在空间表征集合和对应预测抗菌活性集合，其中，，； 7f判断,若是，，并执行步骤7e，否则，获取优化后的潜在空间表征集合和对应最低抑菌浓度值集合； 8生成优化结果： 将步骤7f获取的优化后潜在空间表征的集合输入训练好的抗生素生成网络模型的生成器进行维度转换并解码，得到优化后生成的集合，中生成抗生素的预测抗菌活性从中对应下标获取，其中，是抗生素分子的优化后生成的集合，。

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西安电子科技大学，其通讯地址为：710071 陕西省西安市太白南路2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。