-
公开(公告)号：CN112151184A
公开(公告)日：2020-12-29
申请号：CN202011035456.3
申请日：2020-09-27
Applicant: 东北林业大学
Abstract: 基于网络表示学习的计算疾病相似度系统，涉及疾病相似度计算领域，特别涉及一种基于网络表示学习的计算疾病相似度系统，包括：信息融合模块：用于处理提取HumanNet信息、计算两个Go_term之间的相似度，测量基因之间的相似度；网络嵌入模块：用于将每个基因转化为向量形式；疾病相似度计算模块：基于基因的向量表示和疾病相关基因数据DisGeNET将疾病相关基因融合，得到疾病的向量表示，利用疾病向量表示度量疾病的相似性；基因与疾病预测模块：实现基于基因的向量表示，结合MLP模型，对基因与疾病之间的关系进行预测的功能；本发明用于提升计算疾病相似度的准确性。
-
公开(公告)号：CN120072031A
公开(公告)日：2025-05-30
申请号：CN202510020342.8
申请日：2025-01-07
Applicant: 东北林业大学
IPC: G16B15/30 , G16B45/00 , G16B20/00 , G06N3/0455 , G06N3/0442 , G06N3/049 , G06N3/084 , G06N3/0464 , G06N3/048
Abstract: 本发明提出基于多组学数据进行增强子启动子相互作用预测的方法，属于生物信息学技术领域，解决常用技术在整合特征时对非线性考虑不周和未在多细胞系视角下对EPIs的全局分析的问题，包括：步骤1：构建深度神经网络模型；步骤2：获取多组学数据并构建多组学数据集；步骤3：对多组学数据集进行预处理；步骤4：基于预处理后的多组学数据集对深度神经网络模型进行训练；步骤5：基于训练后的深度神经网络模型进行增强子启动子相互作用预测。
-
公开(公告)号：CN119446253A
公开(公告)日：2025-02-14
申请号：CN202411290050.8
申请日：2024-09-14
Applicant: 东北林业大学
IPC: G16B20/00 , G16B40/00 , G06F18/241 , G06F18/23213 , G06N3/045 , G06N3/0455 , G06N3/08
Abstract: 本发明涉及一种基于单细胞多组学数据进行细胞类型划分的方法，属于生物信息学技术领域。解决常用技术形成的高噪声和高稀疏性的问题。包括如下步骤，步骤一，构建深度神经网络模型，步骤二，获取单细胞多组学综合数据集，步骤三，对所述单细胞多组学数据集进行预处理，步骤四，基于预处理后的单细胞多组学数据集对深度神经网络模型进行训练，步骤五，基于训练后的深度神经网络模型对待测数据进行细胞类型划分。本发明提出scDRMAE模型，通过两个并行的MAE模块捕捉不同组学的依赖关系，将通常被忽略的因素考虑到细胞聚类之中并借助其中的掩码预测机制实现了对不同组学数据的插补，最后通过注意力机制有效融合各个组学数据，提高了模型细胞聚类的准确性。
-
公开(公告)号：CN116504331B
公开(公告)日：2024-07-26
申请号：CN202310479801.X
申请日：2023-04-28
Applicant: 东北林业大学
Abstract: 基于多模态和多任务的药物副作用的频率分数预测方法，本发明涉及深度学习技术预测药物副作用的频率分数方法。本发明的目的是为了解决现有的计算方法对药物和副作用关联关系判别准确率低，以及对药物和副作用的频率分数预测准确率低的问题。过程为：一、获得药物分子的化学结构语义特征、药物分子的化学序列语义特征、药物的生物医学文本特征和副作用的生物医学文本特征；得到药物副作用对；二、计算药物的相似性信息和副作用的相似性信息；得到药物副作用对；三、将学习到的药物副作用对串联送入多层感知机进行预测，预测药物和副作用间是否存在关联并且存在关联时药物和副作用的频率分数。本发明属于药物与副作用之间的频率预测技术领域。
-
公开(公告)号：CN115547407A
公开(公告)日：2022-12-30
申请号：CN202211287199.1
申请日：2022-10-20
Applicant: 东北林业大学
Abstract: 基于深度自动编码器的lncRNA‑蛋白质相互作用预测方法，涉及生物信息学领域。本发明是为了解决现有lncRNA‑蛋白质相互作用预测方法还存在特征表达能力低导致的样本在特征空间的分布区别不大，进而导致lncRNA‑蛋白质相互作用的预测准确率低的问题。本发明包括：获取待预测的lncRNA初始特征和蛋白质初始特征，并将待预测的lncRNA初始特征和蛋白质初始特征输入到训练好的lncRNA‑蛋白质相互作用预测模型中，获得相互作用预测结果；本发明利用边际Fisher分析方法学习lncRNA‑蛋白质相互作用样本的最优分类特征，提高了lncRNA‑蛋白质相互作用预测的准确率。本发明用于预测lncRNA‑蛋白质相互作用关系。
-
Patent Agency Ranking
公开(公告)号：CN114023464A
公开(公告)日：2022-02-08
申请号：CN202111323363.5
申请日：2021-11-08
Applicant: 东北林业大学
Abstract: 基于有监督的协同图对比学习的药物‑靶标相互作用预测方法，它属于药物与靶标关系预测技术领域。本发明解决了传统机器学习方法需要依赖繁琐手工进行特征提取以及模型存在过多繁杂步骤的问题。本发明的药物‑靶标相互作用预测方法使用图对比学习来增强模型的学习能力，在整个预测的过程中，不需要人工进行操作，即不依赖繁琐手工进行特征提取，并应用端到端的思想减少了模型的处理步骤，降低了模型的复杂度，同时保证了较高的预测准确率。通过实验得到，本发明预测方法的Roc曲线下面积可以达到0.9764，PR曲线下面积可以达到0.9761。本发明可以用于对药物与靶标关系进行预测。
-
公开(公告)号：CN120015169A
公开(公告)日：2025-05-16
申请号：CN202510077682.4
申请日：2025-01-17
Applicant: 东北林业大学
IPC: G16C20/50 , G16C20/70 , G06N3/0499 , G06N3/045 , G06N3/0455 , G06N3/084
Abstract: 基于缺失模态生成的多模态药物分子预测方法,本发明属于人工智能辅助药物研发领域，具体涉及多模态药物分子预测方法。本发明的目的是解决多模态分子‑文本预训练数据集规模受分子描述文本模态缺失的限制，模型难以充分捕捉分子图结构和文本之间的复杂关系，且现有多模态分子预训练模型在下游任务上的表现存在一定不足的问题。具体过程为：一：构建多模态分子预训练模型；二：对多模态分子预训练模型进行预训练，获得预训练好的多模态分子预训练模型；三：基于下游任务类型，对预训练好的多模态分子预训练模型进行微调，获得微调后的多模态分子预训练模型；四：基于微调后的多模态分子预训练模型对下游任务进行预测。
-
公开(公告)号：CN119132389A
公开(公告)日：2024-12-13
申请号：CN202411113195.0
申请日：2024-08-14
Applicant: 东北林业大学
Abstract: 本发明提出一种单细胞测序数据的生成方法，包括：S1：构建深度神经网络模型；S2：获取scRNA‑seq综合数据集；S3、对所述scRNA‑seq综合数据集进行预处理；S4：基于预处理后的scRNA‑seq综合数据集对深度神经网络模型进行训练；S5：基于训练后的深度神经网络模型对待测数据的特征进行加噪、去噪和重构，生成单细胞测序数据。本发明在多种测序平台的数据集上，深度神经网络模型都能生成高质量的scRNA‑seq数据。通过与其它最新的数据生成模型进行比较深度神经网络模型在多个评价指标上均表现出更优秀的性能。此外，深度神经网络模型还能够模拟伪时间尺度下的单细胞数据，为追踪细胞分化和发育轨迹、分析细胞间的通讯、揭示细胞的异质性等分析提供高质量的数据支持。
-
公开(公告)号：CN118711670A
公开(公告)日：2024-09-27
申请号：CN202410707776.0
申请日：2024-06-03
Applicant: 东北林业大学
IPC: G16B40/00 , G16B45/00 , G16B25/10 , G06F18/214 , G06F18/243
Abstract: 基于生物大数据的神经退行性疾病分类系统，本发明属于生物信息学领域。具体涉及基于生物大数据的神经退行性疾病分类系统。本发明的目的是为了解决现有的大数据分析工具在针对神经退行性疾病的分类准确性和可靠性差的问题。基于生物大数据的神经退行性疾病分类系统包括：数据采集模块、程序性细胞死亡lncRNA打分模块、lncRNA与程序性细胞死亡的相关性评估模块、程序性细胞死亡基因优化模块、随机森林分类器模块、待测模块；随机森林分类器模块用于基于程序性细胞死亡基因优化模块获得的与程序性细胞死亡显著相关的mRNA获得训练好的随机森林分类器；待测模块用于基于训练好的随机森林分类器对待测神经退行性疾病的mRNA数据进行分类。
-
公开(公告)号：CN117637019A
公开(公告)日：2024-03-01
申请号：CN202311657851.9
申请日：2023-12-06
Applicant: 东北林业大学
Abstract: 药物‑miRNA关联预测是药物开发领域重要的前沿研究问题。传统的方法首先根据先验的药物‑miRNA关联数据构建异构网络，再通过分析药物‑miRNA异构网络中的节点特征和拓扑关系进行药物‑miRNA关联预测。然而，先验的药物‑miRNA关联数据比较稀疏并且噪声较多，严重影响药物‑miRNA关联预测方法的准确率。针对这一问题，本发明提出了一种基于多通道稀疏处理的药物‑miRNA关联预测方法。首先，运用矩阵分解、有界核范数计算与图神经网络等多种方法构建多个数据处理通道；然后，利用上述数据处理通道分别对先验数据进行数据增强和降噪处理；最后，采用贝叶斯优化算法融合多通道数据并预测药物‑miRNA关联关系。本发明所提出的方法能够有效地提升药物‑miRNA关联预测的准确率，为深入挖掘药物与miRNA之间的潜在关联关系提供更加有效的工具。
-
-
-
-
-
-
-
-
-
Search Results
51
records
(took 0.038 seconds)
