買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉安徽大學(xué)申請的專利基于進(jìn)化計算和多粒度代理模型近似的藥物小分子優(yōu)化方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN119851812B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-09-16發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202510007753.3，技術(shù)領(lǐng)域涉及：G16C20/50；該發(fā)明授權(quán)基于進(jìn)化計算和多粒度代理模型近似的藥物小分子優(yōu)化方法是由何奕辰;張亞杰;田野;蘇延森;張興義設(shè)計研發(fā)完成，并于2025-01-03向國家知識產(chǎn)權(quán)局提交的專利申請。

本基于進(jìn)化計算和多粒度代理模型近似的藥物小分子優(yōu)化方法在說明書摘要公布了：本發(fā)明公開了一種基于進(jìn)化計算和多粒度代理模型近似的藥物小分子優(yōu)化方法，包括：1將藥物小分子多屬性優(yōu)化問題建模為昂貴約束多目標(biāo)優(yōu)化問題；2在離散化學(xué)空間均勻地生成初始分子種群并對其進(jìn)行昂貴的優(yōu)化目標(biāo)評價以及約束評價；3將評價后的藥物小分子編碼到連續(xù)潛在空間，得到分子的連續(xù)向量表示；4使用分子的連續(xù)向量表示、對應(yīng)的目標(biāo)值與約束值作為訓(xùn)練數(shù)據(jù)，訓(xùn)練多粒度代理模型；5執(zhí)行代理模型輔助的進(jìn)化算法，選出優(yōu)質(zhì)藥物小分子解碼到離散化學(xué)空間，并對其進(jìn)行昂貴的優(yōu)化目標(biāo)評價以及約束評價；6重復(fù)步驟3?5，從而輸出最優(yōu)藥物分子。本發(fā)明旨在使用較低的評估代價高效優(yōu)化藥物小分子的多個屬性，從而為藥物研發(fā)提供技術(shù)支持。

本發(fā)明授權(quán)基于進(jìn)化計算和多粒度代理模型近似的藥物小分子優(yōu)化方法在權(quán)利要求書中公布了：1.一種基于進(jìn)化計算和多粒度代理模型近似的藥物小分子優(yōu)化方法，其特征在于，是按照如下步驟進(jìn)行： 步驟一、獲取待優(yōu)化的第k個藥物小分子，并通過RDKit工具對第k個藥物小分子進(jìn)行生物屬性評估，分別獲得的分子類藥性，合成可及性以及分子毒性；從而利用式1構(gòu)建的多屬性優(yōu)化目標(biāo)及其約束： 1 式1中，代表搜索空間，和分別代表的分子量約束違法度以及氫鍵供體數(shù)目約束違反度，和分別代表藥物小分子的分子量和氫鍵供體數(shù)目，和分別代表分子量以及氫鍵供體數(shù)目的最大值； 將分子類藥性，合成可及性以及分子毒性記為的任意第j個優(yōu)化目標(biāo)；j=1,2,3； 將和記為的任意第i個約束；i=1,2； 步驟二、定義并初始化當(dāng)前迭代次數(shù)為Iter=0；并定義第Iter代藥物小分子種群，其中，代表中第k個藥物小分子，N代表種群的大小； 在離散化學(xué)空間均勻地生成SMILES字符串用于初始化中的每個藥物小分子，從而根據(jù)式1計算中每個藥物小分子的多屬性優(yōu)化目標(biāo)及其約束的違反度； 步驟三、訓(xùn)練變分自編碼器，用于將從離散化學(xué)空間編碼到連續(xù)潛在空間，得到的最優(yōu)潛在向量； 步驟四、構(gòu)建2個代理模型，并使用中每個藥物小分子的最優(yōu)潛在向量及其對應(yīng)的多屬性優(yōu)化目標(biāo)值與約束違反度作為訓(xùn)練數(shù)據(jù)，分別對每個代理模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的代理模型； 步驟4.1、利用式6計算第z個維度為的相關(guān)矩陣中第k行第列元素，從而得到第z個代理模型中第k個藥物小分子與的相關(guān)向量 ： 6 式6中，為第Iter代的第z個代理模型的第r維參數(shù)；表示第個藥物小分子的最優(yōu)潛在向量中的第r維最優(yōu)潛在特征；z=1,2； 步驟4.2、構(gòu)建第z個代理模型的訓(xùn)練數(shù)據(jù)，包括：第1個代理模型的訓(xùn)練數(shù)據(jù)集和第2個代理模型的粗粒度訓(xùn)練數(shù)據(jù)集； 步驟4.2.1、構(gòu)建用于訓(xùn)練第1個代理模型的訓(xùn)練數(shù)據(jù)集，其中，代表第k個藥物小分子的3個優(yōu)化目標(biāo)之和； 步驟4.2.2、若的分子量約束違法度以及氫鍵供體數(shù)目約束違反度均大于0，即任意第i個約束均未滿足，則利用式7得到第Iter代第k個藥物小分子的約束違反聚合值，從而得到第2個代理模型的粗粒度訓(xùn)練數(shù)據(jù)： 7 式7中，分別在第i個約束上的最大值和最小值； 若的分子量約束違法度以及氫鍵供體數(shù)目約束違反度中只有一個約束違反度大于0，即只有一個未滿足的約束，記為，則構(gòu)建第2個代理模型的細(xì)粒度訓(xùn)練數(shù)據(jù)，其中，代表第Iter代第k個藥物小分子的未滿足約束的約束違反度； 步驟4.3、利用式8得到第Iter代的第z個代理模型的均值： 8 式8中，表示N維的全1向量，T表示轉(zhuǎn)置； 步驟4.4、利用式9求解第Iter代的第z個代理模型的參數(shù)集合{}，并得到訓(xùn)練好的第z個代理模型： 9 式9中，表示第z個代理模型的訓(xùn)練數(shù)據(jù)中的真實(shí)目標(biāo)優(yōu)化值或真實(shí)約束違反度；且∈{，，}； 步驟五、使用訓(xùn)練好的第z個代理模型輔助進(jìn)化算法迭代優(yōu)化藥物分子屬性，從而得到最終的藥物小分子種群并作為最終的優(yōu)化結(jié)果。

如需購買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人安徽大學(xué)，其通訊地址為：230601 安徽省合肥市經(jīng)濟(jì)技術(shù)開發(fā)區(qū)九龍路111號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。