-
公开(公告)号：CN105678810A
公开(公告)日：2016-06-15
申请号：CN201610017579.1
申请日：2016-01-12
Applicant: 上海交通大学
IPC: G06T7/20
CPC classification number: G06T2207/30004
Abstract: 一种图像处理领域的基于全局和局部层次最优的细胞跟踪方法，通过椭圆拟合初次分割得到的独立区域，识别出欠分割的粘连细胞，再使用小波变换方法进一步分割，计算分割后所有细胞的质心作为细胞唯一特征，使用二分图匹配方法对细胞的帧间关联，再分别对细胞移入、细胞移出、细胞分裂和细胞遮挡事件进行识别处理，循环匹配并得到不完整的细胞轨迹段，通过对细胞轨迹段分析识别纠错，最终基于局部最优生成完整细胞轨迹。本发明利用细胞的位置信息实现细胞分裂的子细胞关联，对不同的数据集具有良好的通用性。
-
公开(公告)号：CN105205344A
公开(公告)日：2015-12-30
申请号：CN201510540644.4
申请日：2015-08-28
Applicant: 上海交通大学
Abstract: 一种基于多目标蚁群优化算法的基因位点挖掘方法，以蚁群算法为基础设计封装式的特征选择算法，即每次迭代中，一个人工蚂蚁选择一个SNPs特征子集，一个特征子集及对应的复杂性状状态用来构建多目标模型；分别使用逻辑斯蒂回归模型和贝叶斯网络模型对所选择的SNPs特征子集及对应的性状状态进行建模，然后运用AIC和K2作为对应模型的评价准则，将分值视为多目标函数的解；采用非支配排序法，将第二步中多目标函数所有的解筛选为非支配解和支配解，根据解的优劣程度进行信息素矩阵τ的迭代，迭代完成后得到一个经过特征选择算法选择的SNPs位点子集。在SNPs位点子集中用卡方检验进行穷尽型假设检验，最终根据用户设定的P值筛选得出与复杂性状相关的SNPs位点。
-
公开(公告)号：CN104615911A
公开(公告)日：2015-05-13
申请号：CN201510012812.2
申请日：2015-01-12
Applicant: 上海交通大学
IPC: G06F19/18
Abstract: 一种基于稀疏编码及链学习预测膜蛋白beta‐barrel跨膜区域的方法。本发明涉及到稀疏编码技术、链学习算法、支持向量机，利用计算的方法对膜蛋白beta-barrel跨膜区域进行结构预测，为研究蛋白质结构和功能提供重要信息。本发明创新性的引入数字图像处理的思想，对蛋白质特征矩阵进行稀疏编码，解决了特征降维和去除噪声的问题。从蛋白质数据库PDB中组织膜蛋白beta-barrel数据集，分别提取代表氨基酸进化信息的位置特异性打分矩阵和代表氨基酸残基位置信息的Z score为特征，用滑动窗口提取特征向量，实现多特征融合，提出基于SVM分类器的链学习算法训练模型，显著提高了预测效果，经Jakenife交叉验证精度可以达到92.5％。
-
公开(公告)号：CN119943134A
公开(公告)日：2025-05-06
申请号：CN202411964342.5
申请日：2024-12-30
Applicant: 上海交通大学
IPC: G16B20/00 , G16B40/00 , G06F18/25 , G06F18/27 , G06N3/045 , G06N3/0455 , G06N3/0499 , G06N3/0464
Abstract: 一种基于深度学习的多模态蛋白质序列生成方法，通过融合蛋白质序列、文本描述的多模态信息，构建得到初始数据集，用于训练基于多模态交互注意力机制的蛋白质序列生成模型；在在线阶段根据实时输入的文本描述和对应的序列数据，通过训练后的模型以自回归生成方法生成符合预期功能和结构的蛋白质序列。本发明通过整合蛋白质序列与文本描述等多模态信息作为输入，采用基于多模态交互注意力机制的蛋白质生成模型，能够有效融合蛋白质序列和文本数据，从而生成高质量的蛋白质序列，本发明在生成远缘同源蛋白质和处理复杂任务中表现出显著优势，并通过实验验证了其在蛋白质质量和结构相似性上的提升。
-
公开(公告)号：CN118116508A
公开(公告)日：2024-05-31
申请号：CN202410171252.4
申请日：2024-02-06
Applicant: 上海交通大学
Abstract: 一种基于子图匹配和领域适应的RNA药物结合预测方法，通过在离线阶段构造预测模型并采用药物‑蛋白质结合任务进行预训练后，通过冻结部分模型参数并采用药物‑RNA结合训练任务进行微调；在在线阶段采用微调后的预测模型进行实时RNA药物结合预测。本发明通过子图匹配与领域适应相结合的训练方式有效避免捷径学习，增强泛化效果。
-
Patent Agency Ranking
公开(公告)号：CN117994572A
公开(公告)日：2024-05-07
申请号：CN202410045549.6
申请日：2024-01-12
Applicant: 上海交通大学
IPC: G06V10/764 , G06V10/82 , G06V10/774 , G06N3/0455 , G06N3/08
Abstract: 一种基于多模态变分对比学习的小样本分类方法，在离线阶段构建并采用支撑集训练变分自编码器，通过训练后的变分自编码器进行支撑集扩增；进而构建并采用扩增后的支撑集训练多模态实例到分布转换模型(I2D)；在在线阶段通过训练后的多模态实例到分布转换模型进行特征点到分布的转换，实现更准确的小样本分类。本发明通过变分推断学习将实例级别的多模态特征转换为分布级别的表示，减轻小样本所产生的类别原型偏差问题以及提高样本特征的可区分性。
-
公开(公告)号：CN115294151A
公开(公告)日：2022-11-04
申请号：CN202210773167.6
申请日：2022-07-01
Applicant: 上海交通大学
IPC: G06T7/11 , G06T7/90 , G06V10/25 , G06V10/26 , G06V10/77 , G06V10/82 , G06V20/70 , G06N3/04 , G06N3/08
Abstract: 一种基于多任务卷积模型的肺部CT感兴趣区域自动检测方法，通过对CT扫描进行解析得到张量形式的图像，对该图像进行肺部粗分割、重采样以及像素值归一化处理，得到仅包含肺部区域的三维CT图像体素矩阵；然后对三维图像切片后，将得到的若干张横截面的二维图像输入二维卷积模型，得到若干个ROI粗略轮廓；再以ROI粗略轮廓为中心截取三维图像块，通过三维分类器分别给出各个ROI为真实ROI的概率，经筛选后将得到的包含真实ROI的三维图像块输入由多任务训练得到的三维卷积模型，得到精确ROI轮廓，并根据ROI为真实ROI的概率将轮廓渲染为不同的颜色。本发明可快速处理大批量CT图像，提高ROI检测效率。
-
-
公开(公告)号：CN111091871B
公开(公告)日：2022-02-18
申请号：CN201911317226.3
申请日：2019-12-19
Applicant: 上海交通大学
Abstract: 一种基于融合领域规则和深度学习的蛋白质信号肽及其切割位点预测实现方法，以待测氨基酸序列的PSSM和HMM合成其氨基酸序列表征后，依次通过序列级分类和残基级分类得到待测氨基酸序列是否包含信号肽、跨膜螺旋或属于非分泌蛋白以及每个残基具体属于信号肽、切割位点或成熟蛋白质，再根据预测结果进行加权合并后以最大统计分数对应的位点作为最终预测出的信号肽切割位点。本发明利用深度模型直接分类信号肽、跨膜螺旋及非分泌蛋白，通过在biLSTM网络上结合自注意力机制显著提升了识别蛋白质信号肽切割位点识别的精度。
-
公开(公告)号：CN113707213A
公开(公告)日：2021-11-26
申请号：CN202111047262.X
申请日：2021-09-08
Applicant: 上海交通大学
Abstract: 一种基于深度学习的蛋白质‑配体结合位点预测方法，提取待预测蛋白质中所有残基的α碳原子在三维空间中的全局坐标，然后根据全局坐标计算得到邻接矩阵和原始节点特征，输入基于动量对比学习框架的神经网络模型从而得到蛋白质结构的描述子。本发明将深度学习技术与蛋白质结构的领域的知识相结合，生成更有鉴别力的描述子，从而更准确地识别目标蛋白质的相似结构，并且可提升蛋白质结构分类的精度。
-
-
-
-
-
-
-
-
-
Search Results
86
records
(took 0.023 seconds)
