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！

龍圖騰網獲悉吉林大學申請的專利一種基于圖神經網絡的藥物靶點預測模型及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：CN119580825B 。

龍圖騰網通過國家知識產權局官網在2025-09-23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：202411722272.2，技術領域涉及：G16B15/30；該發明授權一種基于圖神經網絡的藥物靶點預測模型及方法是由杜偉;闞澳;陳虹宇;李瑛;李高陽;梁艷春設計研發完成，并于2024-11-28向國家知識產權局提交的專利申請。

本一種基于圖神經網絡的藥物靶點預測模型及方法在說明書摘要公布了：本發明適用于生物信息技術領域，提供了一種基于圖神經網絡的藥物靶點預測方法，包括以下步驟：分別以藥物和靶點節點為核心，自動抽取其局部子圖，以捕捉節點在復雜生物網絡中的局部上下文信息；將不同類型邊視為特征信息融入特征學習過程，通過注意力機制動態調整不同類型邊對節點表示的貢獻度，引入殘差連接和歸一化處理策略，對節點特征進行融合；利用兩層圖卷積網絡對融合后的節點特征進行深度挖掘，計算出藥物與靶點間潛在的相互作用預測分數。本發明還提供了一種基于圖神經網絡的藥物靶點預測模型。本發明分別針對預測的藥物和靶點進行獨立的特征提取和訓練，在保持模型靈活性的同時，有效提升了節點表示的準確性和豐富性。

本發明授權一種基于圖神經網絡的藥物靶點預測模型及方法在權利要求書中公布了：1.一種基于圖神經網絡的藥物靶點預測方法，其特征在于，包括以下步驟： 分別以藥物和靶點節點為核心，自動抽取其局部子圖，以捕捉節點在復雜生物網絡中的局部上下文信息； 將不同類型邊視為特征信息融入特征學習過程，通過注意力機制動態調整不同類型邊對節點表示的貢獻度，引入殘差連接和歸一化處理策略，對節點特征進行融合； 利用兩層圖卷積網絡對融合后的節點特征進行深度挖掘，計算出藥物與靶點間潛在的相互作用預測分數； 所述分別以藥物和靶點節點為核心，自動抽取其局部子圖，以捕捉節點在復雜生物網絡中的局部上下文信息的步驟，具體為： 構建一個生物異質圖，其中涵蓋了藥物、靶點、疾病及副作用多種類型的節點，且每類節點均表示不同的特征信息； 采用雙通道學習策略學習藥物和靶點這兩個節點的特征，在每一條通道中，分別以藥物節點和靶點節點為中心節點，從完整的異質圖中分別抽取子圖D和子圖T作為雙通道表示學習的起點； 所述步驟還包括：將異質圖定義為，其中V表示節點集合，E表示邊集合，每一個節點v都有一個類型，每一條邊e都有一個類型，可能的節點類型和邊類型的集合分別表示為和，當時，該圖退化為普通同質圖； 所述將不同類型邊視為特征信息融入特征學習過程，通過注意力機制動態調整不同類型邊對節點表示的貢獻度，引入殘差連接和歸一化處理策略，對節點特征進行融合的步驟，具體為： 可學習的邊類型特征嵌入：在圖注意力網絡的每一層中，為每一種邊類型分配一個特定的維嵌入特征，表示為，在同時考慮節點嵌入和邊類型嵌入的情況下，注意力分數α的計算為： （1）； 其中，表示以節點i和節點j為端點的邊的類型，Wr是用于類型嵌入轉換的可學習矩陣； 殘差連接：在跨層節點表示之間添加一個節點殘差連接，第層上的節點聚合表示為： （2）； 其中，是關于邊的注意力權值，是一個激活函數； 當維度在第層發生變化時，需增加一個可學習線性變換： （3）； 根據公式（2）執行K個獨立的注意力機制，并將它們的結果連接起來作為最終表示，公式解析為： （4）； （5）； （6）； 上式中，表示拼接操作，示通過第個線性變換計算得到的注意力分數，在最后一層——第L層中，對得到的表示取平均，即： （7）； L2歸一化：通過L2歸一化，將所有特征縮放到相同的量級。

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吉林大學，其通訊地址為：130012 吉林省長春市前進大街2699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”。