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(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜中國科學(xué)院合肥物質(zhì)科學(xué)研究院申請的專利基于MMS_ResNet_1d模型的ERα拮抗劑的ADMET性質(zhì)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：CN114093414B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-05-16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：202111388314.X，技術(shù)領(lǐng)域涉及：G16B15/30；該發(fā)明授權(quán)基于MMS_ResNet_1d模型的ERα拮抗劑的ADMET性質(zhì)預(yù)測方法是由王玉成;馮志宏;葉曉東;王蕓;汪鳴明;趙娜娜;張石川;占文鋒設(shè)計研發(fā)完成，并于2021-11-22向國家知識產(chǎn)權(quán)局提交的專利申請。

本基于MMS_ResNet_1d模型的ERα拮抗劑的ADMET性質(zhì)預(yù)測方法在說明書摘要公布了：本發(fā)明公開了一種基于MMS_ResNet_1d模型的ERα拮抗劑的ADMET性質(zhì)預(yù)測方法，分別以ERα拮抗劑化合物的n種ADMET性質(zhì)為因變量、以對應(yīng)化合物的m個分子描述符信息為自變量創(chuàng)建原始數(shù)據(jù)，搭建Micro_Multi_Scale_resnet_1d深度學(xué)習(xí)模型迭代訓(xùn)練后得到最優(yōu)模型參數(shù)，用于預(yù)測ADMET性質(zhì)的屬性。本發(fā)明能夠更加快速有效地對藥物性質(zhì)進行統(tǒng)計建模和預(yù)測，提高預(yù)測的準確性，從而在藥物開發(fā)的早期能減少藥理上不合適的化合物數(shù)量，節(jié)約時間和成本。

本發(fā)明授權(quán)基于MMS_ResNet_1d模型的ERα拮抗劑的ADMET性質(zhì)預(yù)測方法在權(quán)利要求書中公布了：1.一種基于MMS_ResNet_1d模型的ERα拮抗劑的ADMET性質(zhì)預(yù)測方法，其特征在于，包括以下步驟：S1：收集一系列作用于靶標ERα的拮抗劑化合物的n種ADMET性質(zhì)以及m個分子結(jié)構(gòu)描述符；以靶標ERα的拮抗劑化合物的m個分子描述符作為m個自變量，對m個自變量分別進行數(shù)據(jù)標準化操作后，得到特征數(shù)據(jù)記為：，表示第i個分子描述符的值；以二分類標準分別標定ERα拮抗劑化合物的n種ADMET性質(zhì)，從而得到ERα拮抗劑化合物的總標簽，并通過獨熱編碼進行表示，記為因變量，其中，為第j種性質(zhì)的標簽，取值為0時表示負類，取值為1時表示正類；將特征數(shù)據(jù)X和因變量Y組合為數(shù)據(jù)集并劃分為訓(xùn)練集Dtrain和驗證集Dval；S2：搭建由一個數(shù)據(jù)輸入模塊、h個分支模塊和一個輸出融合模塊組成的MMS_ResNet_1d多尺度分類模型；S2.1：所述數(shù)據(jù)輸入模塊依次包括一個卷積層Conv1d、一個批歸一化層BatchNorm1d、一個激活函數(shù)層ReLU和一個最大池化層MaxPool1d，設(shè)置輸入數(shù)據(jù)的通道數(shù)為m，并將所述訓(xùn)練集Dtrain按照每批次的大小為bs輸入所述數(shù)據(jù)輸入模塊中，并輸出中間特征；S2.2：第a個分支模塊Routea由g個殘差塊疊加后連接一個自適應(yīng)池化層組成，且第b個殘差塊由前處理單元P_conv經(jīng)斷連機制與Shortcut單元連接而成；設(shè)置第b個殘差塊的內(nèi)置參數(shù)為strideb，；S2.2.1：所述第b個殘差塊Rb的前處理單元P_conv依次包括一個卷積層Conv1db1、一個前批歸一化層BN1d、一個ReLu激活函數(shù)層、一個卷積層Conv1db2、一個后批歸一化層BN1d，其中，卷積層Conv1db1的卷積核大小為、步長為、填充大小為，卷積層Conv1db2的卷積核大小為、步長為1、填充大小為；S2.2.2：所述殘差塊的Shortcut單元包含一個卷積核大小為1且步長為2的卷積層Conv1d和一個批歸一化層BN1d；S2.2.3：所述中間特征并行輸入h個分支模塊的第1個殘差塊中，經(jīng)過第a個分支模塊Routea的第1個殘差塊中的前處理單元P_conv和Shortcut單元的處理后，輸出卷積塊映射值和直連塊映射值，并由斷連機制判斷第1個殘差塊的內(nèi)置參數(shù)為stride1是否為“1”，若是，則將殘差映射值作為第1個殘差塊的輸出，否則，將殘差映射值作為第1個殘差塊的輸出，當(dāng)b=1時，；當(dāng)b=2,3,…,g時，第b-1個殘差塊輸出殘差映射值作為第b個殘差塊的輸入，并經(jīng)過第b個殘差塊的處理后輸出殘差映射值，從而由第g個殘差塊的輸出殘差映射值；S2.2.4：最后一個殘差塊Rg輸出的殘差映射值經(jīng)自適應(yīng)池化層處理后得到單尺度映射值并作為第a個分支模塊Routea的輸出；從而得到h個分支模塊輸出的多尺度映射值；S2.3：所述輸出融合模塊依次包括一個融合層Cat、一個展平層Flatten和一個全連接層Fc，其中，所述融合層Cat將按第二個維度進行拼接后再經(jīng)過展平層Flatten和全連接層Fc的處理，最終輸出神經(jīng)元映射值記為，其中，代表全連接層第j個神經(jīng)元輸出的映射值；S3：訓(xùn)練和選擇模型：S3.1：初始化學(xué)習(xí)率為lr、當(dāng)前迭代次數(shù)為epoch、最優(yōu)分類準確率為ACCmax、學(xué)習(xí)率調(diào)整迭代值t=0，設(shè)置調(diào)整周期閾值為tmax；S3.2：利用式1構(gòu)建二分類交叉熵損失L： 1式1中：代表將第j個神經(jīng)元映射值輸入sigmoid函數(shù)計算所得到的第j個性質(zhì)預(yù)測為正類的概率；S3.3：在第epoch次迭代中將訓(xùn)練集Dtrain按照每批次的大小為bs進行層歸一化處理后送入所述MMS_ResNet_1d模型中進行訓(xùn)練，并計算所述交叉熵損失L后求解m個通道的梯度，再利用基于學(xué)習(xí)率lr的Adam優(yōu)化器優(yōu)化梯度中的權(quán)重參數(shù)，從而得到第epoch次訓(xùn)練的模型；S3.4：在第epoch次迭代訓(xùn)練后在驗證集Dval上按照每批次大小為bs對第epoch次訓(xùn)練的模型進行驗證，計算當(dāng)前第epoch次訓(xùn)練的模型的決定系數(shù)并作為評估指標，若ACCmax，則將賦值給ACCmax，并保存當(dāng)前第epoch次訓(xùn)練的模型的參數(shù)，若≤ACCmax，則將t+1賦值給t后，判斷t=tmax是否成立，若成立，則將學(xué)習(xí)率lr調(diào)整為0.5lr；否則，保持學(xué)習(xí)率lr；S3.5：將epoch+1賦值給epoch后，返回步驟S3.3，直到?jīng)Q定系數(shù)不再提高時，停止訓(xùn)練并將最后一次訓(xùn)練的模型作為最優(yōu)分類模型F；S4：將待測試ADMET性質(zhì)的n種ADMET性質(zhì)輸入最優(yōu)分類模型F中，并輸出標簽預(yù)設(shè)的對應(yīng)性質(zhì)的屬性。

如需購買、轉(zhuǎn)讓、實施、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)人中國科學(xué)院合肥物質(zhì)科學(xué)研究院，其通訊地址為：230031 安徽省合肥市蜀山區(qū)蜀山湖路350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)”。