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！

龙图腾网获悉电子科技大学申请的专利一种基于药物社区团的DDI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：CN116486937B 。

龙图腾网通过国家知识产权局官网在2025-09-12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：202310591300.0，技术领域涉及：G16C20/30；该发明授权一种基于药物社区团的DDI预测方法是由李骁;朱嘉静;刘勇国;陆鑫;张云;李巧勤设计研发完成，并于2023-05-24向国家知识产权局提交的专利申请。

本一种基于药物社区团的DDI预测方法在说明书摘要公布了：本发明属于DDI预测技术领域，尤其是涉及一种基于药物社区团的DDI预测方法。本发明利用多跳子图加权随机游走来检测药物社区团以解决解决MPNN提取化学子结构所导致化学子结构缺失或冗余且不具备可解释性的问题。利用多跳子图加权更新转移概率向量以提高社区团检测的准确性，同时采用迭代更新的策略来降低较差初始扩展社区团所带来的负面影响。其次，对MPNN中的消息传递函数和消息聚合函数进行加权优化，以解决对与中心节点相距相同跳数的节点进行特征聚合时并未区分不同节点的重要性差异的问题。最后，通过两层的MPNN处理得到药物社区团局部特征和药物全局特征以克服近似函数仅从化学子结构的局部特征考虑DDI发生可能性的缺陷。

本发明授权一种基于药物社区团的DDI预测方法在权利要求书中公布了：1.一种基于药物社区团的DDI预测方法，其特征在于，包括以下步骤： S1、基于药物分子的SMILES，利用RDKit工具生成药物分子对应的二维无向图G=V,E，其中V是节点集，E是边集，定义N=|V|表示节点总数； S2、利用多跳子图随机游走检测药物社区团，具体为：通过播种的方式，从每个种子中的节点一致地开始计算转移概率向量，将图G中每个节点的转移概率向量看作是向量空间中的一个点，并使用谱聚类算法将这些向量聚类成不同的社区团，从而得到每个种子扩展的药物社区团；所述转移概率向量的计算方式为： 先通过下式计算出起始节点u的k跳邻居子图中扩展了mk个药物社区团后转移概率向量： ， 其中，Iu为第u个元素为1、其余元素为0的向量，αk∈0,1为衰减参数，为在节点u的k跳邻居子图上，以u为起始节点，扩展到第mk个药物社区团后的随机游走动态转移矩阵： ， 其中，为节点u的k跳邻居子图的邻接矩阵，为邻接矩阵Ak的度矩阵，为扩展到第mk个药物社区团后的加权矩阵： ， 其中，μ1＞0，0μ2μ31，nvi表示第i个节点vi从属的药物社区团数，λu,kij表示子图中第i个节点与第j个节点之间的跳转权重： ， 其中，linkki,j表示子图中第i个节点与第j个节点在原始图G中的经过k-1个节点链接的相连链路数，Nki表示子图中第i个节点的邻居节点集合； 最终得到起始节点u的转移概率向量为： ， 其中，ωl为概率融合权重，满足ω1ω2...ωk0且ω1+ω2+...+ωk=1，l=1,2,...,k； 将得到的药物社区团中相似度大于阈值的两个药物社区团进行融合得到n个药物社区团C={c1,c2,...,cn}，其中0n≤π，π是设定的种子数量；将得到的n个药物社区团按照传导性升序排序，仅保留前a个社区团，将其余社区团全部解散，以保留下来的a个社区团为指导重新进行新一轮的多跳子图随机游走，依此迭代t次后，得到最终的药物社区团C={c1,c2,...,cs}，其中s为最终的药物社区团数量；所述传导性是药物社区团的适应度函数： ， ， 其中，Lc表示社区团内节点的外部链接总数，M表示图G中的边数，du代表节点u的度数，社区团c的传导性Ψc越低，则表示该社区团的内聚性越高； S3、利用第一个MPNN模块提取药物社区团局部特征： 使用每一个节点u的转移概率向量pu对消息传递函数进行加权优化： ， 其中，为从节点v传递到节点u的信息向量，为第l-1层上节点u的信息向量，为第l-1层上节点v的信息向量，是指示节点v和节点u之间是否存在边的属性值，若存在边，则，否则，puv表示节点u向节点v转移的概率； 使用概率融合权重对聚合函数进行加权优化： ， 其中，是节点u的l跳邻居节点向其传递的特征总和，是节点u的邻居节点集合，代表第l跳子图转移概率的融合权重，在对所有l跳节点传递的特征进行聚合时进行加权； 对于每一个社区团ci所构成的二维图，利用优化消息传递函数和消息聚合函数后的MPNN按照以下方式进行消息传递、消息聚合和节点表示更新以提取图特征： ， ， ， ， 其中，MPNN模块的输入为图中每一个节点的初始特征，初始特征由图G嵌入初始化，Massage∙为消息传递函数，用于传递节点u的邻居节点的特征信息；Aggregation∙为聚合函数，用于聚合节点u的所有邻居节点所传递的特征信息；Update∙为更新函数，用于更新节点u的特征信息；Read∙为读出函数，用于提取整张药物社区团子图的特征向量，最终得到药物社区团ci的特征向量hi，i=1,2,...,s，该特征对应药物的社区团局部特征，T代表转置操作； S4、利用第二个MPNN模块提取药物全局特征： 将每个社区团视为一个节点，节点的特征为社区团的特征，依据各社区团之间的原始链接关系，构造社区团子图G’，然后采用与S3中的方法相同，利用MPNN进行消息传递、消息聚合和节点表示更新以提取社区团子图G’的特征h，该特征对应药物的全局特征； 最终，药物的特征矩阵由药物局部特征和全局特征构成，表示为H=[h1,h2,...,hs,h]T，其中，hi为药物社区团ci的特征向量，其中i取值为1~s，h为社区团子图的特征向量； S5、DDI预测： 给定药物x和药物y，经过S1到S4处理得到其药物特征矩阵分别表示为Hx和Hy，首先对特征矩阵进行线性变换： ， ， 其中，Wx和Wy为可学习的变换矩阵，和分别代表进行线性变换后的药物x和药物y的特征；对于给定的DDI类型r，计算三元组,r,成立的评分： ， 其中，σ为sigmoid函数；ε为调节药物局部特征和全局特征重要性差异的权重；dx和dy分别表示药物x和药物y的社区团数量；表示线性变换后药物x的特征矩阵中的第i行向量，对应药物x的第i个社区团的特征向量，而表示线性变换后药物x的特征矩阵中的最后一行向量，对应药物x的社区团子图的特征向量；Mr为第r类相互作用的可学习表示矩阵，被限制为对角矩阵，在初始化时，Mr中第r个对角元被设为1，其余对角元为0；δij∈[0,1]为药物x的第i个社区团和药物y的第j个社区团之间的社区团交叉相互作用权重，由以下方式处理得到： ， 其中，softmax∙是softmax函数，MLP∙代表多层感知机处理； 当三元组,r,对应的评分函数值大于预设阈值，则表明药物x和药物y联用会导致r类相互作用，否则表明不会导致相互作用。

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电子科技大学，其通讯地址为：611731 四川省成都市高新西区西源大道2006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”。