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！

龙图腾网恭喜华东师范大学申请的专利一种基于深度学习的化合物-蛋白质相互作用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：CN114360638B 。

龙图腾网通过国家知识产权局官网在2025-04-04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：202111530765.2，技术领域涉及：G16B15/30；该发明授权一种基于深度学习的化合物-蛋白质相互作用预测方法是由吴坚;钱莹设计研发完成，并于2021-12-15向国家知识产权局提交的专利申请。

本一种基于深度学习的化合物-蛋白质相互作用预测方法在说明书摘要公布了：本发明公开了一种基于深度学习的化合物‑蛋白质相互作用预测方法，该方法包括的步骤：步骤A，使用CNN模块学习化合物图片的局部特征再使用Transformer编码器对学习的特征进行语义关系学习；步骤B，使用k‑gram方法对蛋白质序列进行划分，再使用数个Transformer编码器进行语义关系学习；步骤C，对化合物和蛋白质学习到的特征进一步学习，步骤D，经过一个全连接层得到预测结果。本发明提出一种预测精度高、可以有效捕获化合物分子图片特征的方法。

本发明授权一种基于深度学习的化合物-蛋白质相互作用预测方法在权利要求书中公布了：1.一种基于深度学习的化合物-蛋白质相互作用预测方法，其特征在于：该方法包括以下具体步骤：1获得化合物分子的特征图，具体包括：1.1根据化合物分子的SMILES序列，通过RDkit软件生成化合物分子图片；1.2将生成的化合物分子图片输入到CNN模块中学习特征，其中图片大小为H×W×3，H和W分别代表图片的长和宽，3代表图片的颜色通道；使用CNN模块学习化合物分子图片的局部特征，CNN模块的组成为：卷积层、BatchNormalization层、LeakyReLU函数激活层、卷积层、BatchNormalization层、LeakyReLU函数激活层及最大池化层；通过CNN学习后的特征图的大小为m和n分别代表通过CNN学习后化合物分子特征图的长和宽，c代表该特征图的通道；1.3根据获得的特征图XCNN，按照其通道维度展平作为Transformer的输入token，新的特征图大小为其中m·n为化合物分子特征图的长和宽相乘，c为该特征图的通道；1.4将新的特征图Xtoken作为Transformer编码器的输入，然后通过数个Transformer编码器学习特征图中的语义关系，每一个Transformer编码器的组成如下：1.4.1LayerNormalization层对不同长度的数据做处理；1.4.2多头注意力层将输入向量转换为三个不同的向量，其维度都为d：查询向量q、关键向量k、值向量v，将所述向量压缩到对应的矩阵Q、K、V中，其计算过程为：计算查询矩阵Q与关键矩阵K的分数为：S＝Q·KT，规范化梯度稳定性分数为：使用softmax函数将分数转化为概率：P＝softmaxSn，获得加权值矩阵：Attention＝V·P；整个过程的公式为：其中softmax代表softmax激活函数，Q和V代表查询向量q和值向量v压缩的对应矩阵，KT代表关键向量压缩的对应矩阵的转置，dk代表当前的输入维度；然后，为了解决自注意力对位置信息不敏感的问题，将相同维度的位置编码添加到原始输入嵌入中，其公式为：pos表示单词在句子中的位置，i表示位置编码的当前维度，d是输入向量的维度；总注意力由多个头注意力组合而成：MultiHeadQ′，K′，V′＝concathead1，...，headhWO，concat表示拼接操作，WO为可学习的特征转换矩阵，headi代表了每一个注意力头的Attention的值，h代表了总共有h个注意力头；1.4.3再经过多层感知机层获得最后的语义信息特征图；多层感知机层的流程为：全连接层，GELU激活层，DropPath层，全连接层，DropPath层；1.5通过数个Transformer编码器的学习表示，获得了最终的化合物分子的特征图XC；2获得蛋白质序列的特征图，具体包括：2.1蛋白质序列为FASTA格式，其中序列由氨基酸组合而成并且氨基酸均以单个字母来表示；采用k-gram方法，对蛋白质序列进行单词划分，每个单词的长度都为k；2.2对划分的单词建立字典，按照最先出现的单词进行升序排序，使用字典的序号来代替原蛋白质序列的表示单词，然后再对每个单词所表示的序号进行嵌入表示；2.3加入原单词在蛋白质序列中的位置信息，经过数个Transformer编码器模块，学习蛋白质序列中各个单词之间的语义信息；2.4通过数个Transformer编码器模块学习后，获得了蛋白质序列的最终特征图XP；3对化合物分子的特征图XC和蛋白质序列的特征图XP进行进一步学习并预测最终结果，具体包括：3.1将所述特征图XC和所述特征图XP通过多层感知机进行特征的浅层次学习；3.2将两张特征图进行叠加处理，再使用一个CNN模块进行深层次的特征学习；CNN的模块设计为：卷积层，BatchNormalization层，LeakyReLU函数激活层，最大池化层，卷积层，BatchNormalization层，LeakyReLU函数激活层，最大池化层；3.3将特征图展平，通过一个全连接层获得最终的预测结果，结果表示为0或1，其中0代表化合物和蛋白质没有相互作用，1则代表有相互作用。

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华东师范大学，其通讯地址为：200241 上海市闵行区东川路500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”。