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！

龙图腾网获悉吉林大学申请的专利一种基于深度学习模型的自监督分子分类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：CN115526246B 。

龙图腾网通过国家知识产权局官网在2026-04-17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：202211152888.1，技术领域涉及：G06F18/241；该发明授权一种基于深度学习模型的自监督分子分类方法是由杜伟;赵璇;肖剑弘;唐诗熠;李瑛;梁艳春设计研发完成，并于2022-09-21向国家知识产权局提交的专利申请。

本一种基于深度学习模型的自监督分子分类方法在说明书摘要公布了：本发明适用于分子分类技术领域，提供了一种基于深度学习模型的自监督分子分类方法，包括以下步骤：步骤1：将原始的分子处理成用邻接矩阵和特征矩阵表示的形式，然后用图进行表示；步骤2：将图作为图神经网络模块的输入，得到分子的局部特征，从而对分子的性质做出预测；步骤3：在正样本对和负样本对之间采用标准的二分类交叉熵损失函数来调整自监督学习任务。该方法对于筛选特定疾病的候选药物具有重要意义，特别是对于没有标签的新分子数据集，能够达到快速分类的目的。不仅可以代替研究人员耗时的手动标注，把时间缩短在较短的范围内，而且可以一定程度控制误差，既保证了实时性，又保证了准确性。

本发明授权一种基于深度学习模型的自监督分子分类方法在权利要求书中公布了：1.一种基于深度学习模型的自监督分子分类方法，其特征在于，所述深度学习模型包括图神经网络模块和图对比学习模块，对于无标签的分子数据集，利用分子结构自身包含的丰富信息学习分子的高维特征对分子进行分类，所述分子分类方法包括以下步骤： 步骤1：将原始的分子处理成用邻接矩阵和特征矩阵表示的形式，然后用图进行表示； 步骤2：将图作为图神经网络模块的输入，得到分子的局部特征，从而对分子的性质做出预测； 对于无标签的分子数据，对特征矩阵采用行变换的方式对数据进行增强，得到替代图，然后将原始图和替代图的局部特征转化为全局特征，将全局特征和原始网络的局部特征称为正样本对，将全局特征和替代网络的局部特征称为负样本对； 步骤3：在正样本对和负样本对之间采用标准的二分类交叉熵损失函数来调整自监督学习任务，通过最大化局部特征和全局特征之间的互信息的方式促进模型学习与原始图更相似的特征，以完成分子的分类任务； 所述深度学习模型为融合了对比学习思想的图神经网络模型，其网络架构的搭建方法包括以下步骤： 步骤一：为原始分子经过处理后得到的图，其中为分子的特征矩阵，为分子的邻接矩阵；对特征矩阵采用行变换的方式生成，邻接矩阵不变的方式得到对比学习中的负样本； 步骤二：将和作为模型的输入，采用若干层图神经网络得到正样本和负样本的高维特征，然后采用图池化将高维特征转化为图级特征，通过图级特征得到分子的性质，从而对分子进行分类； 步骤三：将全局特征和原始网络的局部特征称为正样本对，将全局特征和替代网络的局部特征称为负样本对，然后在正样本对和负样本对之间采用标准的二分类交叉熵损失函数来调整自监督学习任务，通过最大化局部特征和全局特征之间的互信息使模型能够学习与原始图更为相似的特征； 所述图神经网络模型的生成效果主要由三方面损失函数约束： 1； 其中为第个分子的实际性质，为第个分子的预测性质，为用于验证的分子总数； 2； 其中和分别为正负样本的分子集合，和分别为正负样本的高维特征，代表正样本的图级特征；此损失函数将原始图的局部特征和全局特征间的互信息最大化，在正样本对和负样本对之间采用标准的二分类交叉熵损失函数来调整自监督学习任务，使得模型学到与正样本更相似的特征； 3； 在这里代表替代网络的图级别的特征，此损失函数将替代图的局部特征和全局特征的互信息最大化，通过探索来自数据本身更多的信息的方式增强模型的泛化能力，同时通过考虑原始的图网络和数据增强后的替代图网络的方式使得整个模型更健壮； 最后总的损失函数如下所示： ； 其中是超参数，代表不同任务所占的权重。

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吉林大学，其通讯地址为：130012 吉林省长春市前进大街2699号吉林大学计算机科学与技术学院；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”。

以上内容由龙图腾AI智能生成。