一种基于分子进化选择压预测癌症特征基因的方法与装置

    公开(公告)号:CN117809741B

    公开(公告)日:2024-07-12

    申请号:CN202410232355.7

    申请日:2024-03-01

    Applicant: 浙江大学

    Abstract: 本发明提供了一种基于分子进化选择压预测癌症特征基因的方法与装置,其中该方法,包括:基于癌症体细胞突变数据对癌症基因组中每个基因的体细胞错义突变数量进行建模得到双组分混合模型;利用双组分混合模型完成人类基因数据中驱动组分和乘客组分的区分;根据位点组分的区分结果计算位点组分特异性的选择压;根据位点组分特异性的选择压确定基因所受到的选择模式;根据基因所受到的选择模式确定癌症特征基因。本发明基于双组分混合模型实现了基因中不同位点组分的选择压力的定量分析,有助于更全面、深入地理解癌症基因组的分子进化过程和功能意义,从而克服癌症特征基因鉴定的复杂性,能够更全面、准确地预测癌症特征基因。

    一种基于节点特征与图结构解耦的图表示学习方法

    公开(公告)号:CN116933838A

    公开(公告)日:2023-10-24

    申请号:CN202310803416.6

    申请日:2023-07-03

    Abstract: 本发明涉及一种基于节点特征与图结构解耦的图表示学习方法,包括收集原始图结构数据并标记;对图中每个节点生成特征子图与结构子图;对于特征子图,使用注意力机制和图池化得到特征子图的表示;对于结构子图,对节点特征进行重初始化,并使用图同构网络和图池化得到结构子图的表示;将特征子图表示与结构子图表示进行加权融合;将最终的节点表示输入至编码器进行节点分类任务。本发明的有益效果是:本发明考虑了在图表示学习的过程中对节点特征信息和结构信息进行了解耦,使用基于子图采样的方法分别学习节点特征信息和结构信息,使其更加适应现有的图神经网络,具有更高的泛化性。

    一种西妥昔单抗突变体及应用

    公开(公告)号:CN111499749A

    公开(公告)日:2020-08-07

    申请号:CN202010174651.8

    申请日:2020-03-13

    Applicant: 浙江大学

    Abstract: 本发明公开了一种西妥昔单抗突变体及应用。西妥昔单抗突变体的重链可变区的氨基酸序列如SEQ ID No.1~6任一所示。本发明获得的抗体重链可变区氨基酸序列如SEQ ID NO.1~5所示的Cetuximab突变体对EGFR S492R有效,其中抗体重链可变区氨基酸序列如SEQ ID NO.1、2所示的Cetuximab突变体效果优于Panitumumab。本发明获得的抗体重链可变区氨基酸序列如SEQ ID NO.6所示的Cetuximab突变体对EGFR G465R有效,且效果显著。本发明获得的抗体重链可变区氨基酸序列如SEQ ID NO.1、2、6所示的Cetuximab突变体仍然保持对野生型EGFR的亲和力。

    帕妥珠单抗耐药性突变的应用、检测试剂盒及检测方法

    公开(公告)号:CN111088353A

    公开(公告)日:2020-05-01

    申请号:CN201911379503.3

    申请日:2019-12-27

    Applicant: 浙江大学

    Abstract: 本发明公开了一种帕妥珠单抗耐药性突变的应用、检测试剂盒及检测方法。本发明基于生物信息学分析,并通过分子模拟分析、流式亲和力实验以及体外抗肿瘤活性实验证实,S310F是帕妥珠单抗的耐药性突变,HER2蛋白S310F突变或编码带有S310F突变蛋白的HER2基因作为分子标记在制备检测帕妥珠单抗耐药性的试剂盒中的应用。一种用于检测帕妥珠单抗耐药性的试剂盒,包括:用于检测HER2蛋白S310F突变的抗体,或用于检测编码带有S310F突变蛋白的HER2基因的引物对。本发明基于ARMS-PCR技术原理,建立了耐药突变HER2S310F的检测方法。该检测方法可作为帕妥珠单抗治疗的伴随诊断方案,操作简便、成本低,对临床避免帕妥珠单抗的不合理应用、减轻患者负担具有重大意义。

    基于循环神经网络预测多肽与HLA I型分子之间结合关系与结合亲和力的方法

    公开(公告)号:CN109671469A

    公开(公告)日:2019-04-23

    申请号:CN201811511026.7

    申请日:2018-12-11

    Applicant: 浙江大学

    Abstract: 本发明公开了一种基于循环神经网络预测多肽与HLA I型分子之间结合关系与结合亲和力的方法,包括:构建两个训练集,其中,训练集1包括多个由多肽-HLA I型序列及其亲和力组成的训练样本;训练集2包括多个由多肽-HLA I型序列及其结合关系组成的训练样本;以双向GRU或带有注意力机制的双向GRU为基础,再加一个Sigmoid函数作为输出层组成预测网络,利用训练集1和训练集2训练预测网络,获得回归模型和分类模型;将待预测的多肽-HLA I型序列输入至回归模型和分类模型,经计算获得多肽与HLA I型之间的预测亲和力数值。该方法能够快速较准确地预测多肽与HLA I型分子之间结合亲和力或结合关系。

Patent Agency Ranking