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！

龙图腾网获悉东北林业大学申请的专利一种基于图神经网络的药物靶点亲和力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：CN119479784B 。

龙图腾网通过国家知识产权局官网在2025-12-02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：202411539537.5，技术领域涉及：G16B15/30；该发明授权一种基于图神经网络的药物靶点亲和力预测方法是由滕志霞;赵浩然;赵玉茗设计研发完成，并于2024-10-31向国家知识产权局提交的专利申请。

本一种基于图神经网络的药物靶点亲和力预测方法在说明书摘要公布了：一种基于图神经网络的药物靶点亲和力预测方法，涉及一种药物靶点亲和力预测方法。为了解决现有方法存在药物靶点亲和力预测精度低的问题。本发明从药物原子图中学习药物全局特征；对正例蛋白质疏水图、正例蛋白质氢键图、正例蛋白质接触图提取氨基酸正例特征，进行融合池化得到氨基酸正例融合池化特征作为蛋白质全局特征；对药物原子图抽取子图得到药物子图特征作为药物局部信息；对正例蛋白质疏水图、正例蛋白质氢键图、正例蛋白质接触图抽取子图，得到蛋白质子图特征作为蛋白质局部信息。药物局部特征和药物全局特征拼接为药物特征，蛋白质局部特征和蛋白质全局特征拼接为蛋白质特征，二者拼接为药物‑蛋白质联合特征，用于药物靶点亲和力预测。

本发明授权一种基于图神经网络的药物靶点亲和力预测方法在权利要求书中公布了：1.一种基于图神经网络的药物靶点亲和力预测方法，其特征在于，基于药物靶点亲和力预测模型实现药物靶点亲和力的预测，所述药物靶点亲和力预测模型包括数据获取单元、药物特征提取单元、蛋白质特征提取单元、子图特征处理单元、亲和力预测单元； 数据获取单元的处理包括： 步骤a1：针对每种药物，获得药物原子特征和化学键特征，以药物中包含的原子作为节点，原子特征为节点特征，化学键特征为边，进而构建出对应的药物原子图Gd； 步骤a2：针对蛋白质氨基酸，获得蛋白质的疏水相互作用力和氢键，以蛋白质中包含的氨基酸为节点，氨基酸间存在的疏水相互作用力作为边构建蛋白质疏水图Gh，以蛋白质中包含的氨基酸为节点，氨基酸间存在的氢键作为边构建蛋白质氢键图Ghy；针对蛋白质氨基酸，获得蛋白质中每一个氨基酸的欧几里得空间距离数据，以蛋白质中包含的氨基酸为节点，氨基酸之间的欧几里得空间距离小于距离阈值作为边，构建蛋白质接触图Gcont； 药物特征提取单元的处理包括： 步骤b1：利用边聚合图注意力网络算法EGAT和共嵌入图神经网络算法CensNet对每个药物对应的药物原子图Gd提取原子特征NFd和化学键特征EFd，利用平均池化算法得到原子池化特征NPd和化学键池化特征EPd，再拼接方式得到药物全局特征GPd＝NPd||EPd； 步骤b2：基于特征融合算法处理药物全局特征GPd和原子特征NFd，通过融合节点级别的原子特征和图级的药物全局特征并进行池化得到最终的药物全局特征FuNPd； 蛋白质特征提取单元的处理包括： 步骤c1：利用三个GAT网络对正例蛋白质疏水图Gh、正例蛋白质氢键图Ghy、正例蛋白质接触图Gcont提取得到蛋白质三个图对应的氨基酸正例特征NFh；i、NFhy；j、NFcont；k； 步骤c4：使用特征融合算法对c1中的三个氨基酸正例特征融合得到氨基酸融合正例特征NFfusion；i，NFfusion；i表示蛋白质三个正例图中第i个氨基酸特征的融合特征； 步骤c5：利用平均池化算法处理氨基酸融合正例特征，得到氨基酸正例融合池化特征其中，PFfusion表示氨基酸正例融合池化特征； 子图特征处理单元的处理包括： 步骤d1：随机从药物原子图中以固定的概率抽取出节点组成节点列表，利用k-hop算法从药物原子图Gd中抽取出以节点列表中的节点为中心节点的药物子图，并对每一个药物子图的节点特征集合使用平均池化算法得到对应的药物子图池化特征，然后所有药物子图池化特征拼接为药物子图池化总特征SubPd； 步骤d2：分别随机从蛋白质疏水图、正例蛋白质氢键图、正例蛋白质接触图中以固定的概率抽取出节点，各自组成对应的节点列表；利用k-hop算法分别从正例蛋白质疏水图、正例蛋白质氢键图、正例蛋白质接触图中抽取蛋白质子图，并对每一个蛋白质子图的节点特征集合使用平均池化算法得到对应的蛋白质子图池化特征；然后所有蛋白质子图池化特征拼接为蛋白质子图池化总特征SubPp； 步骤d3：使用加性注意力和交叉注意力算法对药物子图池化特征和蛋白质子图池化总特征计算出每一对药物子图与蛋白质子图的交互关注系数Attenza； 步骤d4：使用矩阵乘法对步骤d1的药物子图池化总特征和步骤d3的交互关注系数计算出最终融合蛋白质信息的药物子图交叉融合特征SubFud；z；对使用矩阵乘法对步骤d2的蛋白质子图池化总特征和步骤d3的交互关注系数计算出最终融合化合物信息的蛋白质子图交叉融合特征SubFuP；a； 步骤d5：分别利用平均池化算法处理步骤d4的药物子图交叉融合特征SubFud；z、蛋白质子图交叉融合特征SubFuP；a得到药物子图交叉融合池化特征SubPFud、蛋白质子图交叉融合池化特征SubPFup； 亲和力预测单元的处理包括： 步骤e1：利用拼接方式处理步骤b2的药物全局特征和步骤d5的药物子图交叉融合池化特征，得到药物特征Fdrug＝FuNPd||SubPFud； 步骤e2：利用拼接方式处理c5的氨基酸正例融合池化特征和d5的蛋白质子图交叉融合池化特征，得到蛋白质特征Fprotein＝PFfusion||SubPFup； 步骤e3：利用拼接方式将药物特征和蛋白质特征拼接得到药物-蛋白质联合特征Fconbind＝Fdrug||Fprotein； 步骤e4：针对Fconbind，采用机器学习技术预测得到亲和力预测值affinity。

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东北林业大学，其通讯地址为：150040 黑龙江省哈尔滨市香坊区和兴路26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”。

以上内容由龙图腾AI智能生成。