ARDGPR模型预测RNA中原子多极距的计算方法

    公开(公告)号:CN111986735B

    公开(公告)日:2023-05-26

    申请号:CN202010837717.7

    申请日:2020-08-19

    Applicant: 兰州大学

    Inventor: 袁永娜 刘振宇

    Abstract: 本发明涉及基于ARDGPR模型预测RNA中原子高阶多极距的计算方法:通过量子力学计算软件Gaussian09优化所有RNA分子小片段的结构,并通过AIMALL软件积分计算分子中原子的高阶多极距;对每一种小分子片段,选择部分小分子片段中各原子坐标位置以及原子的高阶多极距训练ARDGPR模型;并通过剩余的小分子片段构象作为测试集验证ARDGPR模型的预测结果。本发明通过ARDGPR模型预测代替量子力学计算,在基于力场信息的分子力学模拟的基础上,可以快速的针对不同构象给出能量及原子的高阶多极距等物理化学参数信息。同时通过训练好的ARDGPR模型预测原子的高阶多极距,时间少、成本低且预测精度高,方法简便,能够节省大量的人力、物力和财力,为提高RNA分子力场模拟精确度提供相应的基础工具与快捷途径。

    基于GECo模型预测化合物-蛋白质亲和力的计算方法

    公开(公告)号:CN115713965A

    公开(公告)日:2023-02-24

    申请号:CN202211332124.0

    申请日:2022-10-28

    Applicant: 兰州大学

    Abstract: 本申请公开了基于GECo模型预测化合物‑蛋白质亲和力的计算方法,包括以下步骤:获取数据集中的化合物‑蛋白质对数据;对所述化合物‑蛋白质对分别进行处理,分别得到化合物分子特征和蛋白质分子特征;将所述化合物分子特征和所述蛋白质分子特征输入到GECo模型中进行训练,得到化合物‑蛋白质结合亲和力。本申请相比目前计算CPA的各种方法具有快速,准确,高效,低成本的优点,且具有预测亲和力和推测潜在相互作用位置的双功能,为药物研发过程中计算化合物‑蛋白质亲和力提供了一种基础工具和高效途径。

    一种基于融合CNN模型的渔船捕捞状态识别方法

    公开(公告)号:CN113269121A

    公开(公告)日:2021-08-17

    申请号:CN202110635444.2

    申请日:2021-06-08

    Abstract: 本发明公开了一种基于融合CNN模型的渔船捕捞状态识别方法,首先对实验数据进行分析及预处理,包括异常值处理、航迹分段、特征衍生;然后基于Inception‑ResNet神经网络架构搭建融合CNN模型来识别渔船捕捞状态,其中输入级采用原始特征与衍生特征的组合作为输入,卷积级采用特征融合的方式输出特征,输出级进行最后的分类输出;最后为探究方法的有效性,比较了普通CNN模型、传统SVM模型及融合CNN模型在识别渔船捕捞状态上的效果。本发明在识别渔船捕捞状态时,准确度高,识别效果好,识别类型广。

    ARDGPR模型预测RNA中原子多极距的计算方法

    公开(公告)号:CN111986735A

    公开(公告)日:2020-11-24

    申请号:CN202010837717.7

    申请日:2020-08-19

    Applicant: 兰州大学

    Inventor: 袁永娜 刘振宇

    Abstract: 本发明涉及基于ARDGPR模型预测RNA中原子高阶多极距的计算方法:通过量子力学计算软件Gaussian09优化所有RNA分子小片段的结构,并通过AIMALL软件积分计算分子中原子的高阶多极距;对每一种小分子片段,选择部分小分子片段中各原子坐标位置以及原子的高阶多极距训练ARDGPR模型;并通过剩余的小分子片段构象作为测试集验证ARDGPR模型的预测结果。本发明通过ARDGPR模型预测代替量子力学计算,在基于力场信息的分子力学模拟的基础上,可以快速的针对不同构象给出能量及原子的高阶多极距等物理化学参数信息。同时通过训练好的ARDGPR模型预测原子的高阶多极距,时间少、成本低且预测精度高,方法简便,能够节省大量的人力、物力和财力,为提高RNA分子力场模拟精确度提供相应的基础工具与快捷途径。

    一种基于Transformer模型预测DNA G-四链体形成倾向的方法

    公开(公告)号:CN119360973A

    公开(公告)日:2025-01-24

    申请号:CN202411393422.X

    申请日:2024-10-08

    Applicant: 兰州大学

    Inventor: 袁永娜 刘振宇

    Abstract: 本发明公开了一种基于Transformer模型预测DNA G‑四链体形成倾向的方法,包括:提取核酸序列信息和G‑四链体位点信息,构建数据集;构建用于预测DNA G‑四链体形成倾向的Transformer深度学习模型;基于所述数据集通过并行计算训练所述Transformer深度学习模型,获得训练好的Transformer深度学习模型,对所述训练好的Transformer深度学习模型进行验证,获得目标深度学习模型;基于所述目标深度学习模型进行DNA G‑四链体形成倾向预测,获得预测结果。本发明不仅能够很好地对DNA序列进行G‑四链体形成倾向预测,还能识别潜在的G‑四链体基序。

    一种针对多靶标生成具有特定性质的分子的方法

    公开(公告)号:CN119170142A

    公开(公告)日:2024-12-20

    申请号:CN202411225741.X

    申请日:2024-09-03

    Applicant: 兰州大学

    Inventor: 袁永娜 潘晓航

    Abstract: 本发明公开了一种针对多靶标生成具有特定性质的分子的方法,包括:获取分子数据、蛋白质靶点及其对应配体数据,其中蛋白质靶点数据为期望生成的分子可以靶向的两个蛋白质靶点;基于蛋白质靶点和对应蛋白质靶点的配体数据,构建化合物‑靶标评分模块;将所述分子数据输入到深度学习模型中,训练所述深度学习模型,其中,所述深度学习模型通过扩散模型结合KAN构建,并基于所述化合物‑靶标评分模块,优化所述深度学习模型;基于优化后的所述深度学习模型,获取特定性质分子。本发明可以生成针对多靶标的、具有特定性质的3D分子,为多药理学化合物的发现和多基因疾病的治疗做出了贡献。

    一种ncRNA-疾病-药物潜在关联度预测方法

    公开(公告)号:CN119008035A

    公开(公告)日:2024-11-22

    申请号:CN202410934431.9

    申请日:2024-07-12

    Applicant: 兰州大学

    Abstract: 本发明公开了一种ncRNA‑疾病‑药物潜在关联度预测方法,包括:获取ncRNA、疾病及药物的相关数据,其中所述相关数据包括ncRNA数据、疾病数据及药物数据、关联数据、相似性数据及高斯相似性数据;根据所述相关数据,构建异构生物网络的特征矩阵;基于图注意力网络构建深度学习模型,通过特征矩阵对所述深度学习模型进行训练,得到训练好的深度学习模型;获取待预测关联度的ncRNA、疾病及药物的待预测数据,将所述待预测数据转换为待预测矩阵,通过训练好的深度学习模型对待预测矩阵进行预测,得到待预测关联度的ncRNA、疾病及药物的潜在关联度。

    一种基于Wfold模型的RNA二级结构预测方法

    公开(公告)号:CN118136096A

    公开(公告)日:2024-06-04

    申请号:CN202410386988.3

    申请日:2024-04-01

    Applicant: 兰州大学

    Inventor: 袁永娜 杨恩杰

    Abstract: 本发明公开了一种基于Wfold模型的RNA二级结构预测方法,包括以下步骤:从数据库中选取已知的RNA二级结构数据并进行预处理和划分,获得训练数据集和测试数据集;构建Wfold神经网络模型,将训练数据集作为输入对模型进行训练,获得训练后的Wfold神经网络模型;将测试数据集输入到训练后模型中进行预测,获得预测结果,对预测结果进行评估,当预测合格时得到RNA二级结构预测模型;通过RNA二级结构预测模型对RNA进行预测,获得RNA二级结构预测结果。本发明能够从大量RNA序列及其结构数据中自动提取出有效的隐含特征,通过Wfold神经网络模型,可以预测出未知结构的RNA测序数据的结构。

    一种基于预训练模型的汉语到盲文的自动转换方法及系统

    公开(公告)号:CN116681037A

    公开(公告)日:2023-09-01

    申请号:CN202310659895.9

    申请日:2023-06-06

    Applicant: 兰州大学

    Abstract: 本申请公开了一种基于预训练模型的汉语到盲文的自动转换方法及系统,其中方法包括以下步骤:构建预训练语料库、汉盲平行语料库和机器翻译模型;对所述预训练语料库和所述汉盲平行语料库进行编码,得到编码后预训练语料库和编码后汉盲平行语料库;基于所述编码后预训练语料库对所述机器翻译模型进行预训练,得到预训练模型;基于所述编码后汉盲平行语料库对所述预训练模型进行参数微调,得到转换模型;将汉语输入至所述转换模型中进行翻译,得到盲文序列,完成汉盲翻译。本申请可以将汉语一步地转换为对应的盲文,并且大大减少了模型对平行数据的依赖,使用少量数据进行训练,也可以达到很好的效果。

    基于联合式跨域注意力模型预测药物靶标结合性的方法

    公开(公告)号:CN116646001A

    公开(公告)日:2023-08-25

    申请号:CN202310656597.4

    申请日:2023-06-05

    Applicant: 兰州大学

    Abstract: 本发明公开了一种基于联合式跨域注意力模型预测药物靶标结合性的方法,包括,从药物、蛋白质数据库中提取生物分子化学结构信息和药物‑靶标作用的文本语义信息作为原始数据,构建数据集;基于端到端的联合式架构的耦合神经网络,构建用于预测药物靶标结合性的联合式跨域注意力的初始深度学习模型;将数据集划分训练集和测试集,通过训练集对初始深度学习模型进行训练,获得目标深度学习模型;基于目标深度学习模型进行药物靶标结合性预测,获得预测结果。本发明所需时间少、成本低且预测精度高,方法成本低廉简便,能够节省大量的人力、物力和财力,为药物靶标预测精确度提供相应的基础工具与快捷途径。

Patent Agency Ranking