買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉杭州師范大學(xué)申請的專利基于深度學(xué)習(xí)挖掘蛋白質(zhì)相互作用類型的預(yù)測方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN115588463B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-08-08發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202211320402.0，技術(shù)領(lǐng)域涉及：G16B15/30；該發(fā)明授權(quán)基于深度學(xué)習(xí)挖掘蛋白質(zhì)相互作用類型的預(yù)測方法是由黃劍平;方楊越設(shè)計(jì)研發(fā)完成，并于2022-10-26向國家知識產(chǎn)權(quán)局提交的專利申請。

本基于深度學(xué)習(xí)挖掘蛋白質(zhì)相互作用類型的預(yù)測方法在說明書摘要公布了：本發(fā)明涉及基于深度學(xué)習(xí)挖掘蛋白質(zhì)相互作用類型的預(yù)測方法。本發(fā)明通過構(gòu)建蛋白質(zhì)相互作用類型預(yù)測模型SE3NET?PPI，僅需要蛋白質(zhì)序列信息即可完成端到端的訓(xùn)練，將蛋白質(zhì)3D結(jié)構(gòu)信息轉(zhuǎn)化成SE3不變矩陣圖并使用卷積神經(jīng)網(wǎng)絡(luò)CNN和金字塔池化技術(shù)SPP對結(jié)構(gòu)特征進(jìn)行提?。桓鶕?jù)所述蛋白質(zhì)相互作用數(shù)據(jù)庫中的蛋白質(zhì)對構(gòu)建蛋白質(zhì)相互作用網(wǎng)絡(luò)，然后將蛋白質(zhì)序列經(jīng)過預(yù)訓(xùn)練模型嵌入層得到蛋白質(zhì)節(jié)點(diǎn)特征以及前述的蛋白質(zhì)相互作用網(wǎng)絡(luò)輸入到同構(gòu)圖神經(jīng)網(wǎng)絡(luò)GIN提取蛋白質(zhì)網(wǎng)絡(luò)的拓?fù)湫畔⒔Y(jié)構(gòu)。將上述特征經(jīng)特征融合后輸入到MLP中，輸出蛋白質(zhì)對對應(yīng)的作用類別的預(yù)測結(jié)果；融合了蛋白質(zhì)的序列信息、結(jié)構(gòu)信息以及PPI網(wǎng)絡(luò)的拓?fù)湫畔眍A(yù)測蛋白質(zhì)相互作用類型，提高了預(yù)測準(zhǔn)確率。

本發(fā)明授權(quán)基于深度學(xué)習(xí)挖掘蛋白質(zhì)相互作用類型的預(yù)測方法在權(quán)利要求書中公布了：1.基于深度學(xué)習(xí)預(yù)測蛋白質(zhì)相互作用類型的方法，其特征在于：具體包括如下步驟： 步驟一、構(gòu)建數(shù)據(jù)集，具體為： 首先，獲取現(xiàn)有公開數(shù)據(jù)庫中蛋白質(zhì)序列信息以及對應(yīng)的蛋白質(zhì)結(jié)構(gòu)信息，篩選出蛋白質(zhì)序列長度為2700以下的蛋白質(zhì)構(gòu)成蛋白質(zhì)序列結(jié)構(gòu)數(shù)據(jù)庫； 然后，根據(jù)蛋白質(zhì)序列結(jié)構(gòu)數(shù)據(jù)庫中蛋白質(zhì)編號在Uniport網(wǎng)站中匹配蛋白質(zhì)相互作用數(shù)據(jù)庫STRING的STRINGID，根據(jù)STRINGID在STRING數(shù)據(jù)庫收集對應(yīng)的蛋白質(zhì)相互作用對以及該相互作用對的對應(yīng)的作用類型，構(gòu)建蛋白質(zhì)相互作用數(shù)據(jù)庫； 最后，從蛋白質(zhì)相互作用數(shù)據(jù)庫中隨機(jī)選擇3000個(gè)、9000個(gè)以及使用該數(shù)據(jù)庫全部蛋白質(zhì)生成3個(gè)數(shù)據(jù)量不一的數(shù)據(jù)集String_3000、String_9000和String_all； 步驟二、構(gòu)建蛋白質(zhì)相互作用網(wǎng)絡(luò)，并劃分測試集和訓(xùn)練集： 根據(jù)步驟一數(shù)據(jù)集String_3000、String_9000和String_all中所有蛋白質(zhì)相互作用對構(gòu)建蛋白質(zhì)相互作用網(wǎng)絡(luò)；使用隨機(jī)游走Random、深度優(yōu)先算法DFS以及廣度優(yōu)先算法BFS將數(shù)據(jù)集String_3000、String_9000和String_all演變?yōu)榫艂€(gè)數(shù)據(jù)集，分別為String_3000-BFS、String_3000-DFS、String_3000-Random、String_9000-BFS、String_9000-DFS、String_9000-Random、String_all-BFS、String_all-DFS以及String_all-Random；并將所有數(shù)據(jù)集中數(shù)據(jù)劃分為訓(xùn)練集和測試集； 步驟三、構(gòu)建蛋白質(zhì)相互作用類型預(yù)測模型SE3NET-PPI，并對模型進(jìn)行訓(xùn)練； 蛋白質(zhì)相互作用類型預(yù)測模型SE3NET-PPI包括結(jié)構(gòu)模塊、蛋白質(zhì)網(wǎng)絡(luò)模塊和預(yù)測模塊； 結(jié)構(gòu)模塊采用孿生架構(gòu)，即由兩個(gè)結(jié)構(gòu)相同，且權(quán)重共享的神經(jīng)網(wǎng)絡(luò)拼接而成； 在結(jié)構(gòu)模塊中，將蛋白質(zhì)信息結(jié)構(gòu)數(shù)據(jù)庫中的蛋白質(zhì)結(jié)構(gòu)信息轉(zhuǎn)化為SE（3）不變矩陣圖，然后將SE（3）不變矩陣圖輸入到卷積神經(jīng)網(wǎng)絡(luò)CNN中并得到卷積后的特征向量；將卷積后的特征向量經(jīng)金字塔池化層SPP進(jìn)行平均池化操作，得到池化后的特征向量；最后，將所有經(jīng)過池化操作后的特征向拼接在一起得到蛋白質(zhì)結(jié)構(gòu)特征向量，并使用多層感知機(jī)MLP將蛋白質(zhì)結(jié)構(gòu)特征向量轉(zhuǎn)化為特定長度的特征向量； 基于孿生架構(gòu)，輸入一對蛋白質(zhì)結(jié)構(gòu)信息文件，經(jīng)過上述步驟后，得到一對蛋白質(zhì)結(jié)構(gòu)特征向量； 在蛋白質(zhì)網(wǎng)絡(luò)模塊中，使用ProtT5蛋白質(zhì)預(yù)訓(xùn)練模型將蛋白質(zhì)序列信息轉(zhuǎn)化為對應(yīng)的蛋白質(zhì)序列特征向量；通過蛋白質(zhì)序列特征向量得到蛋白質(zhì)相互作用網(wǎng)絡(luò)的蛋白質(zhì)節(jié)點(diǎn)特征，將蛋白質(zhì)相互作用網(wǎng)絡(luò)的蛋白質(zhì)節(jié)點(diǎn)特征和蛋白質(zhì)相互作用網(wǎng)絡(luò)的相互作用關(guān)系特征輸入同構(gòu)圖神經(jīng)網(wǎng)絡(luò)GIN層；蛋白質(zhì)相互作用網(wǎng)絡(luò)的相互作用關(guān)系特征通過蛋白質(zhì)相互作用網(wǎng)絡(luò)獲得； 在預(yù)測模塊中，采用特征融合將結(jié)構(gòu)模塊輸出的一對蛋白質(zhì)結(jié)構(gòu)特征和蛋白質(zhì)網(wǎng)絡(luò)模塊輸出的蛋白質(zhì)對特征拼接起來得到特征融合向量，將特征融合向量輸入到MLP中，輸出是一個(gè)1*7維的0，1矩陣，表示蛋白質(zhì)對其對應(yīng)的作用類別的預(yù)測； 使用訓(xùn)練集中數(shù)據(jù)對SE3NET-PPI模型進(jìn)行訓(xùn)練，得到蛋白質(zhì)相互作用類型預(yù)測模型SE3NET-PPI，對未知相互作用關(guān)系類型進(jìn)行預(yù)測。

如需購買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人杭州師范大學(xué)，其通訊地址為：311121 浙江省杭州市余杭區(qū)余杭塘路2318號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。