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！

龍圖騰網獲悉電子科技大學申請的專利一種基于藥物社區團的DDI預測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：CN116486937B 。

龍圖騰網通過國家知識產權局官網在2025-09-12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：202310591300.0，技術領域涉及：G16C20/30；該發明授權一種基于藥物社區團的DDI預測方法是由李驍;朱嘉靜;劉勇國;陸鑫;張云;李巧勤設計研發完成，并于2023-05-24向國家知識產權局提交的專利申請。

本一種基于藥物社區團的DDI預測方法在說明書摘要公布了：本發明屬于DDI預測技術領域，尤其是涉及一種基于藥物社區團的DDI預測方法。本發明利用多跳子圖加權隨機游走來檢測藥物社區團以解決解決MPNN提取化學子結構所導致化學子結構缺失或冗余且不具備可解釋性的問題。利用多跳子圖加權更新轉移概率向量以提高社區團檢測的準確性，同時采用迭代更新的策略來降低較差初始擴展社區團所帶來的負面影響。其次，對MPNN中的消息傳遞函數和消息聚合函數進行加權優化，以解決對與中心節點相距相同跳數的節點進行特征聚合時并未區分不同節點的重要性差異的問題。最后，通過兩層的MPNN處理得到藥物社區團局部特征和藥物全局特征以克服近似函數僅從化學子結構的局部特征考慮DDI發生可能性的缺陷。

本發明授權一種基于藥物社區團的DDI預測方法在權利要求書中公布了：1.一種基于藥物社區團的DDI預測方法，其特征在于，包括以下步驟： S1、基于藥物分子的SMILES，利用RDKit工具生成藥物分子對應的二維無向圖G=V,E，其中V是節點集，E是邊集，定義N=|V|表示節點總數； S2、利用多跳子圖隨機游走檢測藥物社區團，具體為：通過播種的方式，從每個種子中的節點一致地開始計算轉移概率向量，將圖G中每個節點的轉移概率向量看作是向量空間中的一個點，并使用譜聚類算法將這些向量聚類成不同的社區團，從而得到每個種子擴展的藥物社區團；所述轉移概率向量的計算方式為： 先通過下式計算出起始節點u的k跳鄰居子圖中擴展了mk個藥物社區團后轉移概率向量： ， 其中，Iu為第u個元素為1、其余元素為0的向量，αk∈0,1為衰減參數，為在節點u的k跳鄰居子圖上，以u為起始節點，擴展到第mk個藥物社區團后的隨機游走動態轉移矩陣： ， 其中，為節點u的k跳鄰居子圖的鄰接矩陣，為鄰接矩陣Ak的度矩陣，為擴展到第mk個藥物社區團后的加權矩陣： ， 其中，μ1＞0，0μ2μ31，nvi表示第i個節點vi從屬的藥物社區團數，λu,kij表示子圖中第i個節點與第j個節點之間的跳轉權重： ， 其中，linkki,j表示子圖中第i個節點與第j個節點在原始圖G中的經過k-1個節點鏈接的相連鏈路數，Nki表示子圖中第i個節點的鄰居節點集合； 最終得到起始節點u的轉移概率向量為： ， 其中，ωl為概率融合權重，滿足ω1ω2...ωk0且ω1+ω2+...+ωk=1，l=1,2,...,k； 將得到的藥物社區團中相似度大于閾值的兩個藥物社區團進行融合得到n個藥物社區團C={c1,c2,...,cn}，其中0n≤π，π是設定的種子數量；將得到的n個藥物社區團按照傳導性升序排序，僅保留前a個社區團，將其余社區團全部解散，以保留下來的a個社區團為指導重新進行新一輪的多跳子圖隨機游走，依此迭代t次后，得到最終的藥物社區團C={c1,c2,...,cs}，其中s為最終的藥物社區團數量；所述傳導性是藥物社區團的適應度函數： ， ， 其中，Lc表示社區團內節點的外部鏈接總數，M表示圖G中的邊數，du代表節點u的度數，社區團c的傳導性Ψc越低，則表示該社區團的內聚性越高； S3、利用第一個MPNN模塊提取藥物社區團局部特征： 使用每一個節點u的轉移概率向量pu對消息傳遞函數進行加權優化： ， 其中，為從節點v傳遞到節點u的信息向量，為第l-1層上節點u的信息向量，為第l-1層上節點v的信息向量，是指示節點v和節點u之間是否存在邊的屬性值，若存在邊，則，否則，puv表示節點u向節點v轉移的概率； 使用概率融合權重對聚合函數進行加權優化： ， 其中，是節點u的l跳鄰居節點向其傳遞的特征總和，是節點u的鄰居節點集合，代表第l跳子圖轉移概率的融合權重，在對所有l跳節點傳遞的特征進行聚合時進行加權； 對于每一個社區團ci所構成的二維圖，利用優化消息傳遞函數和消息聚合函數后的MPNN按照以下方式進行消息傳遞、消息聚合和節點表示更新以提取圖特征： ， ， ， ， 其中，MPNN模塊的輸入為圖中每一個節點的初始特征，初始特征由圖G嵌入初始化，Massage?為消息傳遞函數，用于傳遞節點u的鄰居節點的特征信息；Aggregation?為聚合函數，用于聚合節點u的所有鄰居節點所傳遞的特征信息；Update?為更新函數，用于更新節點u的特征信息；Read?為讀出函數，用于提取整張藥物社區團子圖的特征向量，最終得到藥物社區團ci的特征向量hi，i=1,2,...,s，該特征對應藥物的社區團局部特征，T代表轉置操作； S4、利用第二個MPNN模塊提取藥物全局特征： 將每個社區團視為一個節點，節點的特征為社區團的特征，依據各社區團之間的原始鏈接關系，構造社區團子圖G’，然后采用與S3中的方法相同，利用MPNN進行消息傳遞、消息聚合和節點表示更新以提取社區團子圖G’的特征h，該特征對應藥物的全局特征； 最終，藥物的特征矩陣由藥物局部特征和全局特征構成，表示為H=[h1,h2,...,hs,h]T，其中，hi為藥物社區團ci的特征向量，其中i取值為1~s，h為社區團子圖的特征向量； S5、DDI預測： 給定藥物x和藥物y，經過S1到S4處理得到其藥物特征矩陣分別表示為Hx和Hy，首先對特征矩陣進行線性變換： ， ， 其中，Wx和Wy為可學習的變換矩陣，和分別代表進行線性變換后的藥物x和藥物y的特征；對于給定的DDI類型r，計算三元組,r,成立的評分： ， 其中，σ為sigmoid函數；ε為調節藥物局部特征和全局特征重要性差異的權重；dx和dy分別表示藥物x和藥物y的社區團數量；表示線性變換后藥物x的特征矩陣中的第i行向量，對應藥物x的第i個社區團的特征向量，而表示線性變換后藥物x的特征矩陣中的最后一行向量，對應藥物x的社區團子圖的特征向量；Mr為第r類相互作用的可學習表示矩陣，被限制為對角矩陣，在初始化時，Mr中第r個對角元被設為1，其余對角元為0；δij∈[0,1]為藥物x的第i個社區團和藥物y的第j個社區團之間的社區團交叉相互作用權重，由以下方式處理得到： ， 其中，softmax?是softmax函數，MLP?代表多層感知機處理； 當三元組,r,對應的評分函數值大于預設閾值，則表明藥物x和藥物y聯用會導致r類相互作用，否則表明不會導致相互作用。

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電子科技大學，其通訊地址為：611731 四川省成都市高新西區西源大道2006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”。