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！

龙图腾网获悉湖南科技大学申请的专利一种基于超图和主动学习的药物-靶标相互作用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：CN119785874B 。

龙图腾网通过国家知识产权局官网在2026-04-10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：202411829445.0，技术领域涉及：G16B15/30；该发明授权一种基于超图和主动学习的药物-靶标相互作用预测方法是由彭理;林艳柔;杨宗益;全家宝;高浚凯;梁伟设计研发完成，并于2024-12-12向国家知识产权局提交的专利申请。

本一种基于超图和主动学习的药物-靶标相互作用预测方法在说明书摘要公布了：本发明公开了一种基于超图和主动学习的药物‑靶标相互作用预测方法，大致分为以下步骤：利用药物‑靶标已知关联、药物‑药物相互作用以及靶标‑靶标相互作用构建药物‑靶标邻接矩阵；根据药物‑靶标已知关联矩阵构造药物超图和靶标超图；将药物和靶标的初始特征嵌入分别输入双路径信息传递网络中，引入对比学习机制来优化表征；使用基于Transformer的语义特征融合模块来聚合局部特征和全局特征；将最终的节点特征输入到多层感知机来预测药物‑靶标相互作用；从负样本池中根据查询策略选择部分负样本，更新训练集。本发明在模型层面实现轻量化设计，提出了基于主动学习的负样本选择策略，通过不断迭代来优化训练集中的负样本，提高了模型性能。

本发明授权一种基于超图和主动学习的药物-靶标相互作用预测方法在权利要求书中公布了：1.一种基于超图和主动学习的药物-靶标相互作用预测方法，其特征在于，包括以下步骤： 1利用药物-靶标已知关联、药物-药物相互作用以及靶标-靶标相互作用构建药物-靶标邻接矩阵； 2根据药物-靶标已知关联矩阵构造药物超图和靶标超图； 3将药物和靶标的初始特征嵌入分别输入由图卷积分支和超图卷积分支组成的双线卷积网络中，同时引入对比学习机制来优化表征；具体过程如下： 3-1将初始嵌入向量分配给药物和靶标，定义为和，其中h表示嵌入维度，药物和靶标的初始嵌入向量分别输入双线卷积网络中，首先，将构建的药物-靶标邻接矩阵加载到包含三层图卷积的网络中，通过图卷积网络捕获全局依赖关系，嵌入向量在每一层中通过邻居节点的特征聚合实现消息传递，图卷积层中的传播过程如下： 其中，为L2范数归一化，为非线性激活函数LeakyReLu，为图卷积第l+1传播层的药物靶标聚合嵌入，为第l层的药物靶标聚合嵌入，为归一化邻接矩阵，计算公式为: 其中，表示邻接矩阵的顶点度矩阵，有； 3-2超图允许一条超边连接多个节点，多元关系的表示能够利用每条超边连接的所有节点的高阶关系，超图卷积能够捕捉到更加丰富和复杂的结构信息，并且通过多层的卷积传播机制，获得局部高阶特征，将药物和靶标的原始嵌入分别输入三层超图卷积模块，药物嵌入在超图卷积层中的传播过程为： 其中，为L2范数归一化，为非线性激活函数LeakyReLu，为超图卷积第l+1传播层的药物嵌入，为第l层的药物嵌入，为药物超图中顶点的度矩阵，有，为药物超图中超边的度矩阵，有， 同理，靶标嵌入在超图卷积层中的传播过程为： 3-3通过在每一层中对图卷积嵌入与超图卷积嵌入进行加权求和来实现层内特征融合，其计算方式如下： 其中，和为药物靶标在双线卷积网络第l层融合更新后的嵌入，和为药物靶标在第l层经过图卷积更新后的嵌入，和为药物靶标在第l层经过超图卷积更新后的嵌入，为权重超参数； 3-4通过引入对比学习机制优化图卷积路径与超图卷积路径之间的表征一致性，其中来自同一药物或靶标的图卷积嵌入与超图卷积嵌入构成正样本对，来自不同药物或靶标的图卷积嵌入与超图卷积嵌入的所有组合构成负样本对；该对比学习机制通过最小化正样本对之间的距离并最大化负样本对之间的距离实现，其目标函数如下： 其中，是温度超参数，控制对比损失的平滑程度，exp⋅是对数似然函数中的指数运算，表示嵌入之间的相似度，是一个很小的常数，用于避免分母为零的情况； 4使用基于Transformer的语义特征融合模块来聚合局部特征和全局特征； 5将最终的节点特征输入到多层感知机来预测药物-靶标相互作用； 6从负样本池中根据主动学习查询策略BALD选择部分负样本，更新训练集，直到训练集中正负样本数量之比达到1：1。

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湖南科技大学，其通讯地址为：411201 湖南省湘潭市雨湖区石码头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。