公开(公告)号：CN119170152A

公开(公告)日：2024-12-20

申请号：CN202411277064.6

申请日：2024-09-12

Applicant: 吉林大学

Inventor： 王健 ,  林益存 ,  李沅峰

IPC: G16C20/70 ,  G16C20/30 ,  G16B5/00 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/0895

Abstract: 本发明公开了一种基于MolrProtTrans模型的药物靶点结合度回归预测方法，以基线模型MolrProtTrans为基础，并构建了简化模型。在药物靶点结合度的回归预测任务中，同样使用基线模型以及对应的简化模型。为了丰富模型，在基线模型transformer框架的基础上，提供多种药物和蛋白质的表示模型，可以非常方便地将新的表征模型添加到框架中。本发明搭建了网络结构来解决药物分子和蛋白质相关的结合度回归预测问题，并改进了局部模块以强化性能，为设计出既能保证与靶点有效结合，稳定性适中且利于人体吸收的优质药物提供新的理论基础。

公开(公告)号：CN114596622B

公开(公告)日：2025-04-04

申请号：CN202210264824.4

申请日：2022-03-17

Applicant: 吉林大学

Inventor： 刘元宁 ,  周智勇 ,  朱晓冬 ,  董立岩 ,  李沅峰 ,  刘煜 ,  张天悦 ,  刘帅 ,  崔靖威 ,  张亚星 ,  孙野 ,  袁一航 ,  董楠 ,  杨恩斌 ,  张少强

IPC: G06V40/18 ,  G06N3/0464 ,  G06N3/045 ,  G06N3/084 ,  G06N3/094 ,  G06V10/80 ,  G06V10/82 ,  G06V10/774 ,  G06V10/764

Abstract: 本发明公开了一种基于对比知识驱动的虹膜与眼周对抗自适应融合识别方法，其方法为：步骤一、建立数据集并划分为训练集和测试集；步骤二、得到模型架构；步骤三、训练模型架构；步骤四、得到卷积编码部分；步骤五、将目标检测模型定位虹膜与眼周区域；步骤六、训练结束后去除最后一层全连接层得到眼周特征提取模型Eper；步骤七、使用虹膜可见光图像训练集和人员身份标签训练；步骤八、将不同模态的特征分布在低维子空间中进行配准；步骤九、设置两个可学习的参数；步骤十、得到模型特征提取器；步骤十一、确定双模态融合识别模型的决策机制。有益效果：提高了系统的可靠性与安全性；提高了小样本数据集上的识别性能；能够提高最终的识别性能。

公开(公告)号：CN119170153A

公开(公告)日：2024-12-20

申请号：CN202411277229.X

申请日：2024-09-12

Applicant: 吉林大学

Inventor： 王健 ,  林益存 ,  李沅峰

IPC: G16C20/70 ,  G06N3/042 ,  G06N3/08 ,  G06N3/0442 ,  G16C20/30 ,  G16B5/00 ,  G16B40/00

Abstract: 本发明公开了一种基于深度学习分类预测药物靶点结合的方法，为了克服现有现有模型在分子及蛋白质数据上的适用性及其局限性，以transformer为主体结构，分别使用Molr和ProtTrans作为提取分子和蛋白质信息的网络组合成模型MolrProtTrans。随后，加入对模型的简化以及对比测试，并将原模型生成的向量对接到机器学习模型中，预测指定的药物和靶点序列结合的逻辑，模型将得出0或1的值代表是否结合，测试指标为分类任务中普遍的ROC曲线以及准确率，召回率等。本发明旨在迅速判定新药物最基本的属性，采用本发明提出的模型MolrProtTrans，能快速筛选出和指定蛋白产生作用的有效药物。

公开(公告)号：CN119170151A

公开(公告)日：2024-12-20

申请号：CN202411276915.5

申请日：2024-09-12

Applicant: 吉林大学

Inventor： 王健 ,  林益存 ,  李沅峰

IPC: G16C20/70 ,  G06N3/0455 ,  G06N3/0442 ,  G06N3/092

Abstract: 本发明公开了一种基于深度强化学习的药物分子生成优化方法，为了克服现有现有药物和靶点数据分布不平衡等问题，搭建了LSTM和transformer结构的主干网络结构来解决药物分子的生成优化，并改进了局部模块以强化性能，随后加入强化学习，将每轮生成的分子的属性经过处理后作为深度学习的损失同时作为强化学习的奖励，动态地修正模型，从而可以设计出既能保证与靶点有效结合，又具有融水性强、稳定性适中且利于人体吸收的优质药物。本发明使用的属性优化任务采用的衡量标准是化学转换性质MMPs，以分子的疏水性，溶解度和清除率为评价指标。通过采用本发明提出的模型，在保证新药物的基本稳定性的基础上，能取得更优的靶点结合活性。

公开(公告)号：CN114596622A

公开(公告)日：2022-06-07

申请号：CN202210264824.4

申请日：2022-03-17

Applicant: 吉林大学

Inventor： 刘元宁 ,  周智勇 ,  朱晓冬 ,  董立岩 ,  李沅峰 ,  刘煜 ,  张天悦 ,  刘帅 ,  崔靖威 ,  张亚星 ,  孙野 ,  袁一航 ,  董楠 ,  杨恩斌 ,  张少强

IPC: G06V40/18 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06V10/80 ,  G06V10/82 ,  G06V10/774 ,  G06V10/764

Abstract: 本发明公开了一种基于对比知识驱动的虹膜与眼周对抗自适应融合识别方法，其方法为：步骤一、建立数据集并划分为训练集和测试集；步骤二、得到模型架构；步骤三、训练模型架构；步骤四、得到卷积编码部分；步骤五、将目标检测模型定位虹膜与眼周区域；步骤六、训练结束后去除最后一层全连接层得到眼周特征提取模型Eper；步骤七、使用虹膜可见光图像训练集和人员身份标签训练；步骤八、将不同模态的特征分布在低维子空间中进行配准；步骤九、设置两个可学习的参数；步骤十、得到模型特征提取器；步骤十一、确定双模态融合识别模型的决策机制。有益效果：提高了系统的可靠性与安全性；提高了小样本数据集上的识别性能；能够提高最终的识别性能。