-
公开(公告)号：CN110289050B
公开(公告)日：2023-06-16
申请号：CN201910460463.9
申请日：2019-05-30
Applicant: 湖南大学
Abstract: 本发明提供了一种基于图卷积和词向量的药物－靶标相互作用预测方法，从药物中提取分子指纹特征和邻接矩阵特征，然后利用图卷积训练这些特征，将一个蛋白质分子表达式3个一组切割，并用一个100维的向量表示这一组，利用CNN训练靶标的词向量特征，最后把训练好的药物和靶标结合在一起，进行最后的结果预测。本发明的有益效果如下：可以提供关于药物的更多特征，从而达到更高的准确性；利用词向量构建蛋白质特征，大大减少了构建特征的时间；可以完整保存药物分子图的有关信息，而不会损失特征；可以大大加快训练时间。
-
公开(公告)号：CN109033738B
公开(公告)日：2022-01-11
申请号：CN201810742486.4
申请日：2018-07-09
Applicant: 湖南大学
Abstract: 本发明公开了一种基于深度学习的药物活性预测方法。本发明使用RDkit开源库用于计算给定分子中每个原子的基本特征，包括原子类型，化合价，形式电荷等，只计算原子特征大大减少时间耗费。本发明是结合了图卷积和LSTM两种模型(长短期记忆网络)的预测模型，对于图卷积模型，通过将原子视为节点并将键作为无向图中的边来将所有分子特征化为图，提取分子结构特征，使用图卷积神经网络可以减少时间耗费的同时获取传统方法无法得到的特征。LSTM通过在证据和查询分子之间交换信息来学习复杂的度量。从而达到在低数据量下较高的预测准确度。
-
Patent Agency Ranking
公开(公告)号：CN107885503B
公开(公告)日：2021-01-08
申请号：CN201711113109.6
申请日：2017-11-11
Applicant: 湖南大学
IPC: G06F8/41
Abstract: 本发明公开一种基于程序特征分析的迭代编译优化方法，包括如下步骤:步骤一、对编译器中的编译选项按作用进行分类；步骤二、构建关系树形图；步骤三、对目标程序进行数据集测试，收集整理测试结果；步骤四、对测试结果进行分析，提取出目标程序的程序特征和调用关系；步骤五、根据目标程序的程序特征找出对应的编译选项类，组成一个迭代搜索空间；步骤六、在此迭代搜索空间中以类为基础进行局部最优搜索得到全局最优解；步骤七、保存，结束。本发明的方法结合了程序特征分析和局部搜索算法，大大减小了搜索空间的同时也充分考虑了各编译选项之间的影响，对比现有的方法，我们的方法能够在较短时间内找到一个适合目标程序的最优编译选项序列。
-
公开(公告)号：CN110277173A
公开(公告)日：2019-09-24
申请号：CN201910423330.4
申请日：2019-05-21
Applicant: 湖南大学
IPC: G16H70/40
Abstract: 本发明提供一种基于Smi2Vec的BiGRU药物毒性预测系统及预测方法，包括：Smi2Vec模块，所述Smi2Vec模块用于将分子特征转换为原子向量；BiGRU药物毒性分类模型，用于训练所述原子向量，其设置于所述Smi2Vec输出端，所述BiGRU药物毒性分类模型包括1个嵌入层、1个BiGRU层、2个池化层及2个密集层；及分类器，用于生成任务分类的输出标签，其设置于所述BiGRU药物毒性分类模型的输出端。与相关技术相比，本发明提供的基于Smi2Vec的BiGRU药物毒性预测系统及预测方法能够达到高稳定和高精准的要求。
-
公开(公告)号：CN109033738A
公开(公告)日：2018-12-18
申请号：CN201810742486.4
申请日：2018-07-09
Applicant: 湖南大学
CPC classification number: G06N3/08
Abstract: 本发明公开了一种基于深度学习的药物活性预测方法。本发明使用RDkit开源库用于计算给定分子中每个原子的基本特征，包括原子类型，化合价，形式电荷等，只计算原子特征大大减少时间耗费。本发明是结合了图卷积和LSTM两种模型(长短期记忆网络)的预测模型，对于图卷积模型，通过将原子视为节点并将键作为无向图中的边来将所有分子特征化为图，提取分子结构特征，使用图卷积神经网络可以减少时间耗费的同时获取传统方法无法得到的特征。LSTM通过在证据和查询分子之间交换信息来学习复杂的度量。从而达到在低数据量下较高的预测准确度。
-
公开(公告)号：CN107908502A
公开(公告)日：2018-04-13
申请号：CN201711114201.4
申请日：2017-11-11
Applicant: 湖南大学
IPC: G06F11/14
CPC classification number: G06F11/1415 , G06F11/1458 , G06F11/1489
Abstract: 本发明公开一种基于大型系统拓扑结构的容错节点分配方法，包括如下步骤:步骤一、定义系统拓扑结构中节点位置分布，确定节点的位置；步骤二、建模任意两个节点同时失效的概率模型，从而得到任意两个节点同时失效函数；步骤三、计算任意两点同时失效的概率，得到任意两点同时失效的概率为固定值；步骤四、构建节点分配模型，将计算节点集合抽象成对应的无向加权图G(V,E,W)；步骤五、运行覆盖算法，求解最优节点组合，使得集合权值最小，并且将结果保存并返回。本发明相对于传统的节点分配技术，能够使得全系统内存检查点失效概率降低3倍。这也意味着我们能把多级检查点系统中的检查点恢复开销相对于传统做法降低67％。
-
公开(公告)号：CN107885503A
公开(公告)日：2018-04-06
申请号：CN201711113109.6
申请日：2017-11-11
Applicant: 湖南大学
IPC: G06F8/41
CPC classification number: G06F8/443
Abstract: 本发明公开一种基于程序特征分析的迭代编译优化方法，包括如下步骤:步骤一、对编译器中的编译选项按作用进行分类；步骤二、构建关系树形图；步骤三、对目标程序进行数据集测试，收集整理测试结果；步骤四、对测试结果进行分析，提取出目标程序的程序特征和调用关系；步骤五、根据目标程序的程序特征找出对应的编译选项类，组成一个迭代搜索空间；步骤六、在此迭代搜索空间中以类为基础进行局部最优搜索得到全局最优解；步骤七、保存，结束。本发明的方法结合了程序特征分析和局部搜索算法，大大减小了搜索空间的同时也充分考虑了各编译选项之间的影响，对比现有的方法，我们的方法能够在较短时间内找到一个适合目标程序的最优编译选项序列。
-
-
-
-
-
-
Search Results
17
records
(took 0.02 seconds)
