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！

龙图腾网获悉西南科技大学;四川轻化工大学申请的专利一种面向3D分子生成的多模态数据融合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：CN121583316B 。

龙图腾网通过国家知识产权局官网在2026-04-28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：202610108056.1，技术领域涉及：G16B15/00；该发明授权一种面向3D分子生成的多模态数据融合方法是由张红英;冯艺丹;吴亚东设计研发完成，并于2026-01-27向国家知识产权局提交的专利申请。

本一种面向3D分子生成的多模态数据融合方法在说明书摘要公布了：本发明涉及数据融合技术领域，具体涉及一种面向3D分子生成的多模态数据融合方法，对蛋白口袋、文本、片段等多模态数据进行清洗、对齐与标准化；利用SE3等变图神经网络提取具有几何一致性的特征；通过分层交叉注意力机制动态融合结构、文本与片段信息，生成统一的条件上下文向量；基于该向量驱动3D分子生成，并结合多目标梯度引导与置信度门控提升生成质量；最后通过消融分析与可视化实现多模态贡献度评估与优化闭环，能够保持物理等变性与生成可控性，从而提升3D分子生成质量与效率。

本发明授权一种面向3D分子生成的多模态数据融合方法在权利要求书中公布了：1.一种面向3D分子生成的多模态数据融合方法，其特征在于，包括以下步骤： 获取原始多模态数据，对所述原始多模态数据进行标准化处理，生成统一的标准化张量集合；其中，所述原始多模态数据包括蛋白口袋结构数据、配体或片段结构数据以及文本描述数据； 基于SE3等变图神经网络对所述标准化张量集合进行处理，提取具有旋转与平移变性的原子级特征表示与全局特征摘要； 通过分层交叉注意力机制，将所述原子级特征表示、所述全局特征摘要、文本嵌入向量及片段特征向量进行动态融合，生成统一的条件上下文向量； 利用所述条件上下文向量作为条件输入，驱动3D分子生成模型执行生成任务，并对生成结果进行多目标性质评估与多模态贡献度分析； 通过分层交叉注意力机制，将所述原子级特征表示、所述全局特征摘要、文本嵌入向量及片段特征向量进行动态融合，生成统一的条件上下文向量，包括： 将结构模态节点表示ZV中的标量部分通过可学习矩阵WQ投影为查询向量Q，将文本嵌入zT和片段图编码向量分别通过矩阵,和,投影为键向量KT，KS和值向量VT,VS； 其中W·为可学习投影矩阵，将文本与片段的键值对拼接后，交叉注意力的输出为： 其中，为节点i的局部条件上下文向量，为归一化的注意力权重，为第j个条件元素的值向量，为未归一化的注意力得分，为分母求和索引；将文本与片段的键、值向量拼接，得到统一的键值对K,V，对于每个结构节点i和每个条件向量j，计算注意力打分ψij： 其中g·可以是平方距离或径向基函数，为与文本或片段条件关联的几何锚点，β为可学习温度参数，调节几何距离的权重，为节点i的查询向量，为条件元素j的键向量转置，为特征维度，用于缩放，为节点i的坐标； 通过多头交叉注意力和若干层堆叠，得到一组融合后的节点条件向量{Ci}，随后通过池化得到全局条件上下文向量： 其中，为最终的全局条件上下文向量，为池化函数，为结构模态的全局摘要特征；池化采用加权平均、注意力池化或基于功能位点的局部聚合，最终得到的C将作为扩散生成器和性质预测器的统一条件输入； 其中，文本嵌入向量的生成过程为：对文本模态T进行术语清洗与嵌入编码：对自然语言描述执行分句、大小写归一和特殊字符过滤，利用领域词典统一关键术语；使用化学领域预训练模型ChemBERTa的分词器将文本划分为token序列{t1,...,tm}；通过预训练Transformer编码器计算每个token的上下文表示ei∈RdT，并采用[CLS]向量或加权平均得到全局文本嵌入向量； 其中，片段特征向量的生成过程为：对于作为先验条件的分子片段或骨架集合S={sj}，将其转换为统一的图表示：使用RDKit解析每个片段，得到原子列表Vj、键列表Ej及初始三维构象Xj，其中，原子列表包含了解析该片段得到的原子信息，通常对应图结构中的节点，化学键列表包含了解析该片段得到的键信息，描述了原子之间的拓扑连接关系，对应图结构中的边，初始三维构象指代片段中原子的空间坐标信息；对原子类型、键类型、杂化态、芳香性的离散属性进行枚举编码，形成节点边的离散特征向量。

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西南科技大学;四川轻化工大学，其通讯地址为：621000 四川省绵阳市涪城区青龙大道中段59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。