-
公开(公告)号：CN114863995A
公开(公告)日：2022-08-05
申请号：CN202210325550.5
申请日：2022-03-30
Applicant: 安徽大学
Abstract: 本发明公开了一种基于双向门控循环神经网络的沉默子预测算法，其中算法包括以下步骤：S1，收集数据集；S2，基于步骤1中收集的所述数据集进行双向门控循环神经网络模型的构建；S3，对步骤2中构建的模型进行训练并验证；S4，根据步骤3中训练好的所述模型进行沉默子概率的预测。本发明对训练集数据采用多次训练，构建出最优的模型对沉默子预测与分类，为后续沉默子的预测发展做出了贡献。
-
公开(公告)号：CN119541649A
公开(公告)日：2025-02-28
申请号：CN202411307234.0
申请日：2024-09-19
Applicant: 安徽大学
IPC: G16B40/00 , G06N3/0455 , G06N3/08 , G06N3/042 , G06N3/0464 , G06N3/0895
Abstract: 本发明公开了一种基于掩码图自编码器的基因识别方法，其步骤包括：1、获取基因相互作用数据和组学特征数据并进行预处理；2、对处理后的数据进行掩码，具体包括两个分支，节点掩码模块和边掩码模块；3、将掩码后的网络输入到图自动编码器中训练，图自动编码器通过重构网络的节点和边来学习网络的嵌入表示；4、通过训练好的的编码器得到特征的低维嵌入，最后使用逻辑回归分类器进行基因的分类。本发明通过对网络中的节点和边分别进行掩码来同时关注图的节点信息和结构信息，并以自监督学习的方式减少了特征训练模型对标签信息的依赖，从而能精确地对基因进行分类。
-
公开(公告)号：CN119067157A
公开(公告)日：2024-12-03
申请号：CN202411196700.2
申请日：2024-08-29
Applicant: 安徽大学
IPC: G06N3/00 , G06N3/045 , G06N3/0475 , G06N3/082 , G06F30/27
Abstract: 本发明公开了一种基于STRs先验信息的DNA调控元件设计方法，包括：1获取原始元件序列及其基序位置数据集，并进行预处理；2构建条件对抗生成网络，设计含短串联重复序列的元件序列；3通过多尺度卷积注意力机制构建预测器，输出预测的序列的活性值；4实现反馈操作，通过将生成序列的活性预测结果与原始序列进行对比，若生成序列的活性高于原始序列，则将其反馈至判别器进行进一步优化训练。本发明提供一种基于STRs先验信息的DNA调控元件设计方法，能够保留重要的生物特征信息，提高生成序列的生物学相关性和预测精度，从而提升DNA调控元件的设计效率和可靠性。
-
公开(公告)号：CN118136244A
公开(公告)日：2024-06-04
申请号：CN202410048340.5
申请日：2024-01-12
Applicant: 安徽大学
IPC: G16H50/30 , G06F18/25 , G06V10/52 , G06V10/77 , G06V10/80 , G06V10/82 , G16B30/00 , G16B40/00 , G06N3/0464 , G06N3/0499 , G06N3/042 , G06N3/045 , G06N3/08
Abstract: 本发明公开了一种基于Transformer的风险评分方法，其步骤包括：1.获取病理组织图像与基因组数据；2.建立病理图像与基因组特征提取模块；3.将提取的病理图像特征与基因组特征进行融合；4.利用建好的模型生成用户的风险评分。本发明能利用病理图像的细粒度特征以及用户的相互依赖关系，增强后的用户的基因组特征，从而能准确预测用户的风险评分。
-
公开(公告)号：CN117854598A
公开(公告)日：2024-04-09
申请号：CN202410127634.7
申请日：2024-01-30
Applicant: 安徽大学
IPC: G16B40/00 , G06N3/042 , G06N3/0442 , G06N3/0455 , G06N3/0464
Abstract: 本发明公开了一种基于有向图卷积的上皮细胞基因调控关系预测方法，包括：1、获取上皮细胞基因的表达值，并对特征值进行预处理；2、获取上皮细胞基因序列数据并将基因序列数据输入循环神经网络模型双向门控循环单元中得到该类基因的序列特征；3、对上皮细胞基因序列，通过生物学定义公式，计算生物特征；4前面步骤得到的特征拼接后输入有向图卷积神经网络中训练得到上皮细胞基因调控网络及其输出的预测分数矩阵，从而根据预测分数矩阵和阈值之间的关系，判断基因间是否存在调控关系。本发明能准确预测人体上皮细胞基因间的控制关系，有助于研究人员更高效地研究生物体本质。
-
Patent Agency Ranking
公开(公告)号：CN115762631A
公开(公告)日：2023-03-07
申请号：CN202211240155.3
申请日：2022-10-11
Applicant: 安徽大学
IPC: G16B20/20 , G16B20/50 , G16B40/00 , G06F18/25 , G06N20/20 , G06F18/2415 , G06F18/2411 , G06F18/2431
Abstract: 一种癌症驱动基因识别方法及系统，方法为：S1、收集正常样本与肿瘤样本的多组学数据，计算出组学特征值和网络结构特征值；S2、将处理后的组学特征值和网络结构特征值进行拼接，构建新的融合特征；另外使用集成学习的方法建立模型，使用序列前向选择策略对模型的第一层分类器进行筛选，第二层分类器采用逻辑回归对第一层分类器的结果赋予权重；S3、将新的融合特征输入到第一层的分类器，获得对应数量的分类器的预测概率；S4、将第一层的所有分类器的预测概率拼接后作为特征输入第二层的逻辑回归分类器进行拟合，最终模型输出表示基因成为驱动基因的概率。本发明同时考虑分子特征和网络结构特征，并克服了单个分类器性能偏差问题。
-
公开(公告)号：CN119811484A
公开(公告)日：2025-04-11
申请号：CN202411734998.8
申请日：2024-11-29
Applicant: 安徽大学
IPC: G16B25/10 , G16B5/00 , G16B40/20 , G06N3/042 , G06N3/0464 , G06N3/0442 , G06N3/0455 , G06N3/09
Abstract: 本发明公开了一种基于自适应层数的GCN‑LSTM重构时序基因调控网络，包括：使用不同时间点的基因表达矩阵和先验的基因调控网络在自适应层数的GCN中提取到对应的不同时间点的基因特征；不同时间点的基因特征输入LSTM获取下一时间点的基因特征；基于下一时间点的基因特征和先验的基因调控网络在受重力启发的GAE当中预测得到下一时间点的有向的基因调控网络。本发明采用自适应层数的GCN，可以根据数据集的大小不同来自适应GCN层数；借助LSTM学习时间点之间的更加丰富的基因特征，采用受重力启发的图自编码器(GAE)获取有向的基因调控网络(GRN)，具有更高的细胞类型特异性推理准确性。
-
公开(公告)号：CN119295490B
公开(公告)日：2025-03-07
申请号：CN202411804196.X
申请日：2024-12-10
Applicant: 安徽大学
IPC: G06T7/11 , G06T7/33 , G06T7/13 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提供了一种基于轮廓先验引导的临床靶区自动分割方法、系统及设备，包括：获取病人图像数据；将治疗前的扫描图像与治疗期间的扫描图像进行配准，根据输入图像的特点，选择设定的配准方法生成配准映射，将此映射应用于治疗前CTV轮廓，生成配准后的CTV轮廓，用作模型的先验引导；将上述治疗期间的扫描图像与配准后的CTV轮廓一起输入到双分支网络模型中分别进行特征提取，在整个分割过程中利用治疗前的轮廓信息，辅助分割网络精确识别和适应CTV边界的变化；通过丰富的医学影像数据进行训练，调整和优化模型参数；通过训练好的深度学习分割模型获取临床靶区的自动分割结果。本发明提高了医生的工作效率，并推进了自适应性放疗流程的自动化发展。
-
公开(公告)号：CN119295490A
公开(公告)日：2025-01-10
申请号：CN202411804196.X
申请日：2024-12-10
Applicant: 安徽大学
IPC: G06T7/11 , G06T7/33 , G06T7/13 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提供了一种基于轮廓先验引导的临床靶区自动分割方法、系统及设备，包括：获取病人图像数据；将治疗前的扫描图像与治疗期间的扫描图像进行配准，根据输入图像的特点，选择设定的配准方法生成配准映射，将此映射应用于治疗前CTV轮廓，生成配准后的CTV轮廓，用作模型的先验引导；将上述治疗期间的扫描图像与配准后的CTV轮廓一起输入到双分支网络模型中分别进行特征提取，在整个分割过程中利用治疗前的轮廓信息，辅助分割网络精确识别和适应CTV边界的变化；通过丰富的医学影像数据进行训练，调整和优化模型参数；通过训练好的深度学习分割模型获取临床靶区的自动分割结果。本发明提高了医生的工作效率，并推进了自适应性放疗流程的自动化发展。
-
公开(公告)号：CN118942554B
公开(公告)日：2024-12-10
申请号：CN202411413098.3
申请日：2024-10-11
Applicant: 安徽大学
IPC: G16B40/00 , G16B50/30 , G16B20/50 , G16B25/10 , G06F18/25 , G06N3/042 , G06N3/0464 , G06N3/0985 , G06N3/048
Abstract: 本发明的一种基于多层图卷积神经网络的癌症驱动基因识别方法及设备，包括将收集到的基因的多组学特征进行相关预处理和计算，得到基因融合特征；将收集到的基因作为基因结点，基因之间的功能作为基因结点之间的边，得到基因网络；根据基因网络得到网络拓扑特征；将基因融合特征和网络拓扑特征输入到两个独立的多层图卷积神经网络中进行训练；将训练的结果分别送入两个独立的预测器中，得到每个基因最终的预测分数。本发明使用多层图卷积神经网络来学习节点的高阶邻居的特征，从而捕获同类基因之间的信息；在每一层图卷积神经网络中结合初始残差和身份映射技术；使用支持深度优先和广度优先搜索的随机游走算法，来提取网络的全局拓扑特征。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.022 seconds)
