買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉上海交通大學申請的專利基于神經網絡的藥物分子結構輔助設計方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN115798632B 。

龍圖騰網通過國家知識產權局官網在2025-08-22發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202211475314.8，技術領域涉及：G16C20/50；該發明授權基于神經網絡的藥物分子結構輔助設計方法是由方一;潘小勇;沈紅斌設計研發完成，并于2022-11-23向國家知識產權局提交的專利申請。

本基于神經網絡的藥物分子結構輔助設計方法在說明書摘要公布了：一種基于神經網絡的藥物分子結構輔助設計方法，使用多目標強化學習模型批量生成小分子；以數據庫中收錄的藥物分子作為正樣本，強化學習模型生成的質量較低的分子作為負樣本，構建基準數據集；輸入圖神經網絡模型GIN中訓練，得到訓練好的分子質量評估QA模型；構建分數庫，根據QA模型對新分子的預測分數在分數庫中的秩重新定義質量評估得分QAscore；加入QAscore作為多目標強化學習模型的優化目標之一，重新生成分子；將多目標強化學習模型生成的分子反饋到QA模型中重新訓練；反復迭代至多目標強化學習模型生成的分子類藥性等指標不再有明顯的提高。本發明實現多目標的并行優化的同時將強化學習和質量評估圖神經網絡的有機結合。

本發明授權基于神經網絡的藥物分子結構輔助設計方法在權利要求書中公布了：1.一種基于神經網絡的藥物分子結構輔助設計方法，其特征在于，使用多目標強化學習模型批量生成小分子；以數據庫中收錄的藥物分子作為正樣本，強化學習模型生成的質量較低的分子作為負樣本，構建基準數據集；輸入圖神經網絡模型GIN中訓練，得到訓練好的分子質量評估QA模型；構建分數庫，根據QA模型對新分子的預測分數在分數庫中的秩重新定義質量評估得分QAscore；加入QAscore作為多目標強化學習模型的優化目標之一，重新生成分子；將多目標強化學習模型生成的分子反饋到QA模型中重新訓練；反復迭代至多目標強化學習模型生成的分子類藥性等指標不再有明顯的提高，具體包括： 步驟1訓練多目標強化學習方法，批量生成分子； 步驟2對生成的分子進行預處理，具體為：對每個分子添加含有元素的官能團，每個分子相應生成10個含有1個隨機官能團和2個含有2個隨機官能團的擴充分子； 當每個分子相應生成的官能團不足12個時則按其生成的最大數量； 步驟3構建基準數據集，提取原子特征建立分子圖，具體包括： 步驟3.1從CHEMBL數據庫中下載生物活性分子，隨機選擇154,000個不重復的分子作為正樣本，以步驟2生成的共108,859個擴充分子作為負樣本，構建分子質量評估模型的基準數據集； 步驟3.2從基準數據集中生成標簽矩陣L；以分子中的原子為節點，鍵為邊建圖，生成鄰接矩陣A；提取原子的19維的原子種類、2維的原子是否在環上、6維的原子雜化方式、1維的形式電荷和1維的原子度數特征，構造29維節點特征矩陣X；建立分子圖G=A,X，其中分子圖的節點為除H原子以外的所有原子，分子圖的邊為連接原子之間的化學鍵； 步驟4構建并訓練分子質量評估模型，具體包括： 步驟4.1構建包括5層GIN層、1個池化層和1個讀出層的分子質量評估模型，其中：GIN層由圖卷積GCN層、批歸一化BN層和激活函數ReLu組成，該分子質量評估模型的輸入為分子圖G=A,X，輸出為整個分子圖的嵌入特征，通過Softmax函數后得到分類概率； 步驟4.2訓練步驟4.1得到的分子質量評估模型； 步驟5構建分數庫，定義分子質量評估得分QAscore；以基準數據集中的分子的預測分數建立分數庫，根據待預測分子的預測分數在分數庫中的排序定義質量評估分數，其中：x為待預測分子的排序,n和m分別為分數庫中正樣本和負樣本的數目；QAscore數值區間為[0,1]，越接近于1為分子的質量越高； 步驟6加入QAscore作為多目標強化學習模型的獎勵，不保留上一輪中強化學習模型的相關參數，重新進行5000個EPISODE的生成； 步驟7再將生成的分子反饋到QA模型中繼續訓練，反復迭代至生成分子的指標QED和SAscore不再有明顯的提高或者模型不再收斂。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人上海交通大學，其通訊地址為：200240 上海市閔行區東川路800號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。