-
公开(公告)号：CN114420221A
公开(公告)日：2022-04-29
申请号：CN202210003782.9
申请日：2022-01-04
Applicant: 湖南大学
Abstract: 本发明公开了一种基于知识图谱的多任务药物筛选方法，包括：获取所有药物和所有化合物映射到知识图谱数据集后的实体映射表、所有药物的候选药物集合、以及预训练好的多任务预测模型，获取用户输入的问题，使用获取到的多任务预测模型对问题中的靶点x和候选药物集合进行预测，以获得药物概率分数表和化合物概率分数表，使用结果集成算法对获取的药物概率分数表和化合物概率分数表进行计算合并，并将合并后的概率分数表中的概率分数按照由大到小的方式进行排序，并从排序结果中选择排名前20个药物对应的实体作为筛选结果返回给用户。本发明能够解决现有基于知识图谱的预测模型无法考虑药物分子和蛋白质本身的特征的问题。
-
公开(公告)号：CN116030902A
公开(公告)日：2023-04-28
申请号：CN202211669221.9
申请日：2022-12-24
Applicant: 湖南大学
Abstract: 本发明公开了一种基于图注意力采样的药物相互作用预测方法，其首先获取待预测的药物对数据，对待预测的药物对数据进行预处理，得到预处理后的药物对数据和药物分子序列，通过分子序列转换模型将预处理后的药物分子序列转换成分子结构图、原子向量矩阵以及分子‑原子关系列表，并构建原子邻接矩阵、药物相互作用网络以及药物邻接矩阵，将原子向量矩阵、原子邻接矩阵、分子原子关系列表、药物相互作用网络以及药物邻接矩阵输入预先训练好的药物相互作用预测模型中，以得到最终的药物相互作用预测结果。本发明能够解决现有的基于图表示学习的药物相互作用预测方法无法兼顾药物分子结构特性和相互作用网络中包含的关系信息的技术问题。
-
公开(公告)号：CN113987203A
公开(公告)日：2022-01-28
申请号：CN202111251386.X
申请日：2021-10-27
Applicant: 湖南大学
IPC: G06F16/36
Abstract: 本发明公开了一种基于仿射变换与偏置建模的知识图谱推理方法与系统，其获取来自用户的问题(包含实体e和关系r)，输入训练好的知识图谱嵌入模型中，以得到预测结果。本发明给出了实体和关系的具体表示，将实体映射到实域空间，并为每个实体学习一个偏置，用以解决实体不确定性。将关系表示为两个向量，对解决实体不确定性后的头实体进行仿射变换。本发明通过引入偏置和仿射变换来对知识图谱进行建模表示，能够解决当前嵌入模型无法有效地学习和推理知识图谱中各种关系模式的问题，从而能够有效提升实体和关系的表示能力和知识图谱链接预测的准确性。
-
公开(公告)号：CN117995266A
公开(公告)日：2024-05-07
申请号：CN202410206560.6
申请日：2024-02-26
Applicant: 湖南大学
Abstract: 本发明公开了一种基于三重特征增强表征的药物靶标相互作用预测方法，首先提取出待预测药物靶标对数据中药物和靶标的功能子结构，再对药物靶标对数据构建药物‑靶标相互作用对网络，然后构建三重特征学习模块，使用两个Transformer编码器和图神经网络分别对药物、靶标和药物‑靶标相互作用对网络进行特征学习，最后将特征融合后得到三重特征增强表征的药物靶标对表示输入分类器中得到预测结果。本方法在学习药物和靶标个体特征的基础上，增加了药物靶标对网络特征以生成增强表征，在挖掘药物分子中原子信息和靶标氨基酸序列残基信息之外，关注了药物‑靶标相互作用对网络可能提供的潜在直接关联信息。本发明可以有效学习获取药物靶标相互作用的功能性特征。
-
公开(公告)号：CN116453617A
公开(公告)日：2023-07-18
申请号：CN202310327953.8
申请日：2023-03-30
Applicant: 湖南大学
IPC: G16C20/50 , G16C20/70 , G06N3/0464 , G06N3/08 , G06F18/214
Abstract: 本发明属于人工智能中的深度学习和主动学习(Activate Learning，AL)技术领域，公开了一种结合主动学习的多目标优化分子生成方法和系统，构建结合主动学习的多目标优化分子生成模型和性质预测模型并进行训练；在训练完成后，冻结生成模型编码器和性质预测模型的权重；使用从隐空间z中随机采样后输入到解码器，预测模型将解码器的输出作为输入预测性质；分子生成模型通过预测模型的输出执行相对于隐空间z的梯度下降优化z；将优化后的z再次输入到解码器获取分子图向量并进行有效性校正得到最终优化分子。本发明提高分子生成速度和多目标优化成功率，适用于各种靶蛋白的亲和力优化问题。
-
Patent Agency Ranking
公开(公告)号：CN114420221B
公开(公告)日：2024-06-25
申请号：CN202210003782.9
申请日：2022-01-04
Applicant: 湖南大学
Abstract: 本发明公开了一种基于知识图谱的多任务药物筛选方法，包括：获取所有药物和所有化合物映射到知识图谱数据集后的实体映射表、所有药物的候选药物集合、以及预训练好的多任务预测模型，获取用户输入的问题，使用获取到的多任务预测模型对问题中的靶点x和候选药物集合进行预测，以获得药物概率分数表和化合物概率分数表，使用结果集成算法对获取的药物概率分数表和化合物概率分数表进行计算合并，并将合并后的概率分数表中的概率分数按照由大到小的方式进行排序，并从排序结果中选择排名前20个药物对应的实体作为筛选结果返回给用户。本发明能够解决现有基于知识图谱的预测模型无法考虑药物分子和蛋白质本身的特征的问题。
-
公开(公告)号：CN117894398A
公开(公告)日：2024-04-16
申请号：CN202311849091.1
申请日：2023-12-29
Applicant: 湖南大学
IPC: G16C20/50 , G16C20/70 , G06N3/0455 , G06N3/0475 , G06N3/042 , G06N3/08 , G06F21/62
Abstract: 本发明公开了一种基于扩散模型的分子优化方法，包括：获取多个分子，每个分子具有一个DRD2值，将DRD2值小于0.05的所有分子构建为第一分子集合，将DRD2值大于0.5的所有分子构建为第二分子集合，并对第一分子集合和第二分子集合进行预处理，以分别得到更新后的第一分子集合和第二分子集合，并分别从第一分子集合和第二分子集合中提取每个分子的信息，第一和第二分子集合中所有分子的信息分别构成第一和第二分子信息集合，将预处理后的第一分子信息集合输入预先训练好的分子优化模型中，以得到该第一分子信息集合所对应的每个分子的分子优化结果。本发明能够解决现有基于RNN的分子优化方法由于没有实现对数据的加密，因此会导致数据泄露的技术问题。
-
公开(公告)号：CN117727374A
公开(公告)日：2024-03-19
申请号：CN202311566929.6
申请日：2023-11-23
Applicant: 湖南大学
Abstract: 本发明公开了一种基于扩散模型的多目标分子生成方法，包括：获取带有标签的活性分子数据集，将活性分子数据集输入到预先建立好的子结构搜索模型，以获取活性分子数据集的语义子结构S，将语义子结构转换成含噪语义子结构简化分子线性输入规范SMILES序列ynoise，并将该含噪语义子结构SMILES序列ynoise进一步转换为含噪语义子结构词元y0，将含噪语义子结构序列y0输入预先训练好的扩散模型，以获取多目标分子。本发明能够解决现有基于生成对抗网络的模型虽然能够生成看似高质量的样本，但是其难以训练，而且训练容易坍缩，从而导致生成样本唯一性很差的技术问题。
-
公开(公告)号：CN116030908A
公开(公告)日：2023-04-28
申请号：CN202310149714.8
申请日：2023-02-22
Applicant: 湖南大学
IPC: G16C20/50 , G16C20/70 , G06N3/047 , G06N3/044 , G06N3/048 , G06N3/0464 , G06N3/08 , G06N3/094 , G06N3/0475
Abstract: 本发明公开了一种抗癌肽生成模型的训练方法，包括：获取一般多肽序列数据、抗癌肽序列数据和非抗癌肽序列数据，并根据氨基酸词表对一般多肽序列数据、抗癌肽序列数据和非抗癌肽序列数据进行数字编码，以得到一般多肽序列数据集、抗癌肽序列数据集和非抗癌肽序列数据集，将一般多肽序列数据集、抗癌肽序列数据集和非抗癌肽序列数据集分别按照训练集和测试集8:2的比例进行划分，以得到一般多肽序列训练集和测试集、抗癌肽序列训练集和测试集和非抗癌肽序列训练集和测试集，将一般多肽序列训练集输入抗癌肽生成模型的生成模块中，并使用反向传播算法对生成模块中每层的权重参数和偏置参数进行更新和优化，以得到预训练好的生成模块。
-
公开(公告)号：CN115934948A
公开(公告)日：2023-04-07
申请号：CN202211692436.2
申请日：2022-12-28
Applicant: 湖南大学
Abstract: 本发明公开了一种基于知识增强的药物实体关系联合抽取方法，包括：获取药物实体相互作用关系数据集，对该药物实体相互作用关系数据集进行预处理，以得到预处理后的药物实体相互作用关系数据集，针对预处理后的药物实体相互作用关系数据集中的每个药物实体而言，获取该药物实体对应的实体描述信息和相互作用关系子图信息，对实体描述信息和相互作用关系子图信息进行预处理，以得到实体描述特征和相互作用关系子图特征，将预处理后的药物实体相互作用关系数据集及其外部知识信息，输入预训练好的实体关系联合抽取模型中，以得到最终的药物实体关系抽取结果。本发明能够解决现有使用传统深度学习模型的方法不适用于生物医学这一特殊领域的技术问题。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.018 seconds)
