公开(公告)号：CN116343930A

公开(公告)日：2023-06-27

申请号：CN202310037757.7

申请日：2023-01-10

Applicant: 西北工业大学

Inventor： 施建宇 ,  杜冰雪 ,  余皓洋 ,  杨光 ,  徐意 ,  王琼

IPC: G16C10/00 ,  G16C20/70 ,  G16C20/50 ,  G16C20/30 ,  G06F18/214 ,  G06F18/24 ,  G06F18/27 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/0895 ,  G06N3/0442 ,  G06N3/048

Abstract: 本发明公开了一种基于图表示多任务学习的代谢动力学及毒性预测方法，提出一个通过基于有效门的相关辅助任务的多任务图学习框架，即MTL‑ADMETox，以筛选有效的正向辅助任务来共同训练目标任务并优化辅助任务的贡献。MTL‑ADMETox包括特定任务的分子特征模块、以主要任务为中心的门控模块及任务预测器模块。利用基于有效辅助任务的关系，设计基于多任务的的图神经网络，研究基于吸收、分类、代谢、排泄及毒性预测方法，探索化合物子结构与ADME的关联规律，它可以促进候选药物筛选或药物设计的发展。

公开(公告)号：CN115424681B

公开(公告)日：2025-05-27

申请号：CN202211029734.3

申请日：2022-08-25

Applicant: 西北工业大学

Inventor： 施建宇 ,  余皓洋 ,  杜冰雪 ,  朱蓓 ,  赵鹏程 ,  徐意 ,  杨光 ,  秦媛 ,  李嘉宁 ,  胡朋振 ,  韦学鑫

IPC: G16C20/50 ,  G16C20/70 ,  G06N3/045 ,  G06N3/042 ,  G06N3/0442

Abstract: 本发明公开了一种基于图表示学习的共晶预测方法，提出了一个基于门控消息传递神经网络的可解释模型，即CC‑MPNN，利用门控消息传递神经网络获取化合物的子结构，并利用共同注意力机制来计算子结构之间的相互作用得分，设计基于图表示学习的共晶预测方法，探索化合物子结构与共晶反应的关联规律。

公开(公告)号：CN115831262A

公开(公告)日：2023-03-21

申请号：CN202211470870.6

申请日：2022-11-23

Applicant: 西北工业大学

Inventor： 施建宇 ,  秦媛 ,  杜冰雪 ,  朱蓓 ,  徐意 ,  杨光 ,  余皓洋 ,  李嘉宁 ,  赵鹏程 ,  胡朋振 ,  韦学鑫

IPC: G16C20/50 ,  G06F18/241

Abstract: 本发明公开了一种基于链路符号预测的分子毒性通路预测方法，利用分子‑毒性通路网络的拓扑关系，设计节点嵌入特征的计算方法以进行分子毒性预测，探索网络拓扑结构进行辅助药物设计的可能性。

公开(公告)号：CN120072351A

公开(公告)日：2025-05-30

申请号：CN202510224438.6

申请日：2025-02-27

Applicant: 西北工业大学

Inventor： 施建宇 ,  朱蓓 ,  余皓洋 ,  杜冰雪

IPC: G16H70/40 ,  G06N3/045 ,  G16B30/10 ,  G16B40/00 ,  G06N3/0464 ,  G06N3/042 ,  G06N3/084

Abstract: 本发明提供了基于高斯混合模型的药物对微生物丰度影响预测方法，解决目前深度学习模型堆叠网络层易导致的特征表达能力下降，以及传统多分类方法存在的难以处理不平衡数据的分类问题。基于高斯混合模型的预测模型由数据提取模块、特征拼接模块、多层感知机、数据扩增模块以及全连接层构成，该模型通过提取药物分子图特征，微生物相似性网络特征获得了全面的节点表示，通过高斯混合模型灵活地拟合多峰分布，从多个高斯分布中采样，生成少数类别的新数据点，避免过度拟合。在数据集上对GMM‑DMA的评价表明，GMM‑DMA具有较好的药物对微生物丰度影响的预测性能，本发明提高了准确度，并且提供一个计算预测工具，推动药物发现与发展。

公开(公告)号：CN115424681A

公开(公告)日：2022-12-02

申请号：CN202211029734.3

申请日：2022-08-25

Applicant: 西北工业大学

Inventor： 施建宇 ,  余皓洋 ,  杜冰雪 ,  朱蓓 ,  赵鹏程 ,  徐意 ,  杨光 ,  秦媛 ,  李嘉宁 ,  胡朋振 ,  韦学鑫

IPC: G16C20/50 ,  G16C20/70 ,  G06N3/04

Abstract: 本发明公开了一种基于图表示学习的共晶预测方法，提出了一个基于门控消息传递神经网络的可解释模型，即CC‑MPNN，利用门控消息传递神经网络获取化合物的子结构，并利用共同注意力机制来计算子结构之间的相互作用得分，设计基于图表示学习的共晶预测方法，探索化合物子结构与共晶反应的关联规律。