買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉福州大學申請的專利深度學習結合模式生物斑馬魚的化學物質安全性評估方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN116612831B 。

龍圖騰網通過國家知識產權局官網在2025-08-08發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202310742263.9，技術領域涉及：G16C20/30；該發明授權深度學習結合模式生物斑馬魚的化學物質安全性評估方法是由翁祖銓;葉昭庭;鐘意;蘇嘉怡設計研發完成，并于2023-06-21向國家知識產權局提交的專利申請。

本深度學習結合模式生物斑馬魚的化學物質安全性評估方法在說明書摘要公布了：本發明提出深度學習結合模式生物斑馬魚的化學物質安全性評估方法，包括以下步驟；步驟S1、收集已知的化合物毒性數據信息形成數據集，劃分為多個化合物種類和多個毒性種類，并標注有無毒性；步驟S2、轉換數據集中化合物的SMILES分子結構數據，得到化合物的分子圖，作為GRU?GCN網絡模型的輸入；步驟S3、構建并訓練帶有注意力機制的雙向門控循環單元的圖卷積神經深度網絡GRU?GCN；步驟S4、將步驟S2得到的分子圖輸入到GRU?GCN網絡中，經迭代訓練獲得GRU?GCN網絡模型的權重參數；步驟S5、使用步驟S4訓練好的GRU?GCN模型，輸入需要預測的化合物分子圖，待模型提取到結構特征后，通過決策函數輸出毒性預測結果；本發明可通過預測化合物對斑馬魚的毒性來篩選出存在安全性隱患的化合物。

本發明授權深度學習結合模式生物斑馬魚的化學物質安全性評估方法在權利要求書中公布了：1.深度學習結合模式生物斑馬魚的化學物質安全性評估方法，其特征在于：所述方法以GRU-GCN網絡模型學習分子圖的特征來預測化合物對斑馬魚的毒性，并以此評估化合物的安全性；所述方法包括以下步驟； 步驟S1、從公開文獻或數據庫中收集已知的化合物毒性數據信息形成數據集，根據化合物來源將化合物劃分為多個化合物種類，把毒性數據根據毒性種類劃分為多個毒性數據集，并標注每個數據集中各化合物有無毒性； 步驟S2、轉換數據集的化合物的SMILES分子結構數據，得到化合物的分子圖，作為GRU-GCN網絡模型的輸入； 步驟S3、利用GCN網絡的圖卷積層、具有注意力機制的雙向門控循環單元Bi-GRU-Att，輸出全局特征的Readout函數和全連接層，構建并訓練帶有注意力機制的雙向門控循環單元的圖卷積神經深度網絡GRU-GCN； 步驟S4、將步驟S2得到的分子圖輸入到GRU-GCN網絡中，經迭代訓練獲得GRU-GCN網絡模型的權重參數； 步驟S5、使用步驟S4訓練好的GRU-GCN模型，輸入需要預測的化合物的分子圖，待模型提取到化合物的結構特征后，通過決策函數輸出預測結果，判斷化合物是否具有與步驟S1中化合物種類、毒性種類對應的毒性； 在構建模型時，使用具有注意力機制的雙向門控循環單元Bi-GRU-Att來確定分子圖中每個節點的感受野；雙向門控循環單元的Bi-GRU層增強節點的特征使其具有不同大小的感受野； 注意力機制通過為每個GCN層分配一個注意力得分來確定對每個節點具有意義的感受野，其中每個代表節點v在第l層所學習到的特征的權重；注意力得分最高的層成為節點v的感受野，節點v的最終特征由每一層特征的加權平均值確定，以公式表述為； 節點特征作為Bi-GRU層的輸入，用于生成前向GRU和后向GRU隱藏層狀態和，其中K表示輸出維度； 將和連接組成隱藏層狀態該隱藏層狀態向量包含更豐富的信息，并且能夠捕獲每個節點v的GCN層之間的依賴關系，即時間步長； 包含了所有來自GCN層的節點v的特征； ΘAtt∈R1×2K是一個將Zv映射到標量值的權重矩陣，同時softmax函數產生了所有的GCN層注意力分數加權和由Sv和隱藏層狀態Zv相乘得到，并作為最終節點特征池化層的Readout函數定義為： 其中hi是第i個節點的特征向量，N是圖中節點的數量，r是聚合后的全局特征向量，最后通過全連接層得到模型的輸出，定義如下： y＝σWx+b公式十八； 其中輸入向量為x∈Rn，全連接層的權重矩陣為W∈Rm×n，偏置向量為b∈Rm，激活函數σ采用sigmoid,其定義為 圖卷積網絡用于提取到化合物的分子結構特征與標簽的關系，在圖卷積網絡后添加具有注意力機制的雙向門控循環單元Bi-GRU-Att以確定分子圖中每個節點的感受野，優化GRU-GCN對分子圖的特征的學習以提取有意義的子結構； 在圖卷積網絡中，每一個分子被認為是一張圖的結構，網絡正向傳播過程中，圖神經網絡隨機選擇一個原子作為中心，并將其輸入的初始化特征作為第零層，第一層將離中心原子的最近的鄰居原子的特征加和到中心原子身上，依次迭代，使中心原子獲得了臨近所有原子的所有特征并將其作為最終中心原子的特征；其過程以公式表述為： 其中L代表圖卷積的層數，代表每個原子在不同層下的特征，代表權重矩陣，N代表原子鄰居的個數。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人福州大學，其通訊地址為：350108 福建省福州市閩侯縣福州大學城烏龍江北大道2號福州大學；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。