-
公开(公告)号：CN116504303A
公开(公告)日：2023-07-28
申请号：CN202310474761.X
申请日：2023-04-27
Applicant: 上海交通大学
IPC: G16B15/30 , G16B40/00 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 一种基于元学习和子图匹配的靶蛋白药物结合预测方法，通过构建蛋白质结构、药物小分子结构及其结合能数值按蛋白质分组建立元学习训练任务，即作为元模型的主体模型；对元模型进行微调后得到针对该蛋白质预测任务的子模型与其损失函数；然后建立任务自适应的自注意力模型平衡各蛋白质预测任务的子模型对元模型的优化贡献，对各蛋白质预测任务的子模型损失函数使用加权平均得到元模型损失函数；再使用元模型损失函数计算梯度，得到元模型梯度后，基于预设学习率对元模型参数进行更新优化，训练完成后使用训练后的元模型对测试集新蛋白质样本进行微调，得到新蛋白质预测子模型，使用该子模型对该蛋白质测试集进行预测，得到评价结果。本发明通过元学习与子图匹配相结合的训练方法，可以有效避免捷径学习，增强泛化效果，也解决以往预测模型对新发现蛋白质难以预测的问题。
-
公开(公告)号：CN114831729A
公开(公告)日：2022-08-02
申请号：CN202210262054.X
申请日：2022-03-17
Applicant: 上海交通大学医学院附属新华医院
IPC: A61B34/10
Abstract: 本发明涉及超声心动图和CT多模态图像融合的左心耳封堵模拟系统，属于医疗器械技术领域。本发明通过两种影像学方法的联合运用，分别采集两者的DICOM图像数据，设计软件实现融合成像，将左心耳内部结构、功能以及外部形态和毗邻同时显现，然后模拟进行封堵器的匹配，使手术医师在术前就可以运用左心耳封堵模拟装置选择手术策略，选择最佳、最合适的封堵器装置，通过本发明提高手术成功率。本发明提供的图像融合模拟系统可实现左心耳的经食管实时四维超声心动图和CT多模态图像的融合，对左心耳进行内部结构和功能以及外部整体形态和左心耳毗邻的融合，为提高左心耳封堵术的成功率，减少并发症提供切实可行的影像学方法。
-
公开(公告)号：CN114765063A
公开(公告)日：2022-07-19
申请号：CN202110037110.5
申请日：2021-01-12
Applicant: 上海交通大学
IPC: G16B20/30
Abstract: 一种基于图神经网络表征的蛋白质与核酸结合位点预测方法，通过构建蛋白质与核酸相互作用数据集，经样本融合处理后提取其中蛋白质中每个残基的位置和特征信息及其结构上下文，并据此构建残基结构上下文的图表示，通过层次图神经网络对待预测的蛋白质的图表示进行预测，得到每个残基与DNA/RNA结合的概率，实现蛋白质与核酸结合位点预测。本发明通过基于结构上下文的残基的图表示和层次图神经网络模型来从图表示中学习结合位点的关键结构和特征模式。
-
公开(公告)号：CN114187963A
公开(公告)日：2022-03-15
申请号：CN202111501583.2
申请日：2021-12-09
Applicant: 上海交通大学
Abstract: 一种全长circRNA上蛋白绑定核苷酸位点的预测方法，将全长circRNA切分成片段后输入至一维CNN网络后，将得到的局部高级抽象特征分别输入至BiGRU网络和Transformer编码器的双分支网络，分别得到输入数据的长依赖表示特征和基于全局注意力的circRNA序列表示，经拼接后输入MLP分类器，最后通过中值滤波根据相邻核苷酸的结合信息去除假结合核苷酸降低假阳率，通过分数二值化策略获得预测的结合核苷酸，通过积分梯度识别关键序列内容，得到预测的全长circRNA与RBP结合基序。本发明能够以核苷酸分辨率探索全长circRNA上RBP结合情况，准确预测RBP结合核苷酸并检测其结合基序。
-
公开(公告)号：CN114091603A
公开(公告)日：2022-02-25
申请号：CN202111385235.3
申请日：2021-11-22
Applicant: 上海交通大学
Abstract: 一种空间转录组细胞聚类方法，包括步骤：对于空间转路组中每个细胞基因表达进行预处理；根据所述空间转路组的细胞坐标生成邻接矩阵A，获得空间转录组细胞的图结构表示，由细胞特征矩阵X表示细胞基因表达，将邻接矩阵A和细胞特征矩阵X输入经过训练的图卷积神经网络模型DGI；所述图卷积神经网络模型DGI输出具有空间信息的结点特征表示；对所述结点特征表示采用降维、聚类算法处理后，识别、获得所述空间转录组细胞类型。
-
Patent Agency Ranking
公开(公告)号：CN119811500A
公开(公告)日：2025-04-11
申请号：CN202411865016.9
申请日：2024-12-18
Applicant: 上海交通大学
Abstract: 一种基于多分子模态融合的通用蛋白质‑RNA结合预测方法，通过广义生物学基础模型对经预处理的蛋白质与RNA序列进行初始表征后，用于训练构造得到的基于改进交叉注意力机制的神经网络模型，在在线阶段采用训练后的模型根据任意输入的蛋白质序列与RNA分子序列输出对两分子序列结合可能性的预测值。本发明使用通用生物学基础模型为蛋白质与RNA两种分子进行初始表征，通过改进的交叉注意力机制对两种分子的表征进行有效信息的提取与融合，基于有效融合信息训练后的人工神经网络可以更加准确的预测蛋白质与RNA结合结果，并且具有更为强大的泛化能力，能够应对多类蛋白的结合预测场景与任务。
-
公开(公告)号：CN114765063B
公开(公告)日：2025-04-01
申请号：CN202110037110.5
申请日：2021-01-12
Applicant: 上海交通大学
IPC: G16B20/30
Abstract: 一种基于图神经网络表征的蛋白质与核酸结合位点预测方法，通过构建蛋白质与核酸相互作用数据集，经样本融合处理后提取其中蛋白质中每个残基的位置和特征信息及其结构上下文，并据此构建残基结构上下文的图表示，通过层次图神经网络对待预测的蛋白质的图表示进行预测，得到每个残基与DNA/RNA结合的概率，实现蛋白质与核酸结合位点预测。本发明通过基于结构上下文的残基的图表示和层次图神经网络模型来从图表示中学习结合位点的关键结构和特征模式。
-
公开(公告)号：CN118983001A
公开(公告)日：2024-11-19
申请号：CN202410987781.1
申请日：2024-07-23
Applicant: 上海交通大学
IPC: G16B15/10 , G16B40/00 , G06N3/045 , G06N3/0475 , G06N3/084 , G06N3/096 , G06N3/0985 , G06N5/046 , G06N7/01
Abstract: 一种基于生成模型的mRNA序列优化方法，在离线阶段利用随机生成或天然mRNA的数据库对构建得到的生成式模型进行训练；在在线阶段将待优化mRNA序列输入训练后的生成式模型，通过贪心或者概率随机采样方法为密码子序列概率分布和基于待优化mRNA序列每个位置的密码子的适应度的密码子概率分布生成对应权重，得到优化后mRNA序列。本发明通过生成式模型优化mRNA编码区密码子，并借助概率的加权求和来实现多指标的联合优化，显著提高了优化效率的同时，概率加权的框架给算法带来了更好的可拓展性和灵活性，为mRNA设计提供了一个功能更强大的优化工具。
-
公开(公告)号：CN116486896A
公开(公告)日：2023-07-25
申请号：CN202211332466.2
申请日：2022-10-28
Applicant: 上海交通大学
IPC: G16B15/30 , G16B40/00 , G06F18/23213 , G06F18/24 , G06F18/214 , G06N3/0442 , G06N3/045 , G06N3/096
Abstract: 一种基于域自适应和图网络的配体特异性结合残基预测方法，根据配体的理化性质，将预训练数据集中的配体聚类到多个域后，对每个域使用该域包含的所有配体的数据训练一个关系感知分类器，用于学习该域包含的配体的共享结合模式。在微调阶段，对每种配体，通过配体特异性数据集对预训练的关系感知分类器进行微调，并使用基于域自适应神经网络的预测模块来推断不同域对应的关系感知分类器的权重，并对他们的结果进行加权求和得到最终预测结合概率。
-
公开(公告)号：CN115798632A
公开(公告)日：2023-03-14
申请号：CN202211475314.8
申请日：2022-11-23
Applicant: 上海交通大学
Abstract: 一种基于神经网络的药物分子结构辅助设计方法，使用多目标强化学习模型批量生成小分子；以数据库中收录的药物分子作为正样本，强化学习模型生成的质量较低的分子作为负样本，构建基准数据集；输入图神经网络模型GIN中训练，得到训练好的分子质量评估QA模型；构建分数库，根据QA模型对新分子的预测分数在分数库中的秩重新定义质量评估得分QAscore；加入QAscore作为多目标强化学习模型的优化目标之一，重新生成分子；将多目标强化学习模型生成的分子反馈到QA模型中重新训练；反复迭代至多目标强化学习模型生成的分子类药性等指标不再有明显的提高。本发明实现多目标的并行优化的同时将强化学习和质量评估图神经网络的有机结合。
-
-
-
-
-
-
-
-
-
Search Results
27
records
(took 0.02 seconds)
