-
公开(公告)号:CN116682493A
公开(公告)日:2023-09-01
申请号:CN202310916489.6
申请日:2023-07-25
Applicant: 中南大学
Abstract: 本公开实施例中提供了一种circRNA和疾病关联预测方法,属于生物信息学技术领域,具体包括:步骤1,计算初始特征表示;步骤2,得到circRNA和疾病节点的聚合特征表示,使用BPR方法获取图卷积网络的第一损失函数;步骤3,向聚合特征向量中添加随机噪声,并且构建对比学习范式,并构建第二损失函数;步骤4,获取初始预测模型的全局损失函数,并通过全局损失函数的反向传播更新初始预测模型的参数;步骤5,重复步骤2至4更新初始预测模型参数,直到模型拟合得到目标预测模型和其对应的circRNA和疾病节点的最终特征表示;步骤6,对最终特征表示进行内积操作,形成关联结果。通过本公开的方案,提高了预测效率和精准度。
-
公开(公告)号:CN116129989A
公开(公告)日:2023-05-16
申请号:CN202310157524.0
申请日:2023-02-23
Applicant: 中南大学
IPC: G16B15/30 , G16B40/00 , G06N3/0464
Abstract: 本申请适用于生物信息技术领域,提供了一种药物关联性的预测方法、装置、终端设备及介质,根据由lncRNA和药物构成的关联对,构建二分图,并初始化二者的向量表示;利用神经网络模型对向量表示进行邻居节点聚合,得到lncRNA和药物的初始特征向量;构建本地结构邻居和全局语义邻居,并根据初始特征向量,构建第一对比学习损失和第二对比学习损失;根据上述对比学习损失,结合BPR损失函数,对初始特征向量进行更新,得到lncRNA和药物的中间特征向量;若中间特征向量满足更新终止条件,则利用其构建关联性预测模型,预测lncRNA与药物的关联性。本申请能够提高lncRNA与药物关联性的预测的准确性。
-
公开(公告)号:CN119314565A
公开(公告)日:2025-01-14
申请号:CN202411454315.3
申请日:2024-10-17
Applicant: 中南大学
IPC: G16B40/00 , G16B15/30 , G06N3/042 , G06N3/0464 , G06N3/084
Abstract: 本公开实施例中提供了一种基因和药物关联预测方法,属于医疗保健信息学技术领域,具体包括:构建基因和药物的关联矩阵,随机初始化每一个基因和药物的特征向量;应用热核模拟基因和药物的扩散过程,动态调整基因节点和药物节点的自适应聚合权重;根据自适应聚合权重,利用图神经网络及邻居节点的信息更新基因节点和药物节点的特征向量;计算基因和药物的预测得分,计算BPR损失函数,通过BPR损失函数的反向传播更新初始模型的参数;直到模型拟合,得到预测模型;将更新后的未知关联对中基因节点和药物节点的特征向量输入预测模型执行内积操作,获得基因和药物的关联分数矩阵。通过本公开的方案,提高了预测效率、精准度和适应性。
-
公开(公告)号:CN118609641A
公开(公告)日:2024-09-06
申请号:CN202410709324.6
申请日:2024-06-03
Applicant: 中南大学
IPC: G16B15/30 , G16B40/00 , G16B45/00 , G16B40/20 , G16B25/00 , G06N3/045 , G06N3/0464 , G06N3/084 , G06N3/0985
Abstract: 本公开实施例中提供了一种靶点突变对药物靶点结合亲和力影响定量评估方法,属于生物信息学技术领域,具体包括:将药物SMILES作为输入,获取最终的药物的特征向量;将靶点的序列作为输入,使用多层一维卷积神经网络从靶点的序列中提取靶点的特征向量;使用非对称的交叉注意力机制获取药物和靶点对的融合特征向量;将融合特征向量输入初始模型预测药物和靶点的亲和力,计算损失,并基于反向传播方法更新初始模型的参数;直到模型拟合,得到预训练模型;使用突变数据集对预训练模型进行微调,得到目标模型;使用目标模型对特定的药物和靶点的亲和力进行预测,得到预测分值。通过本公开的方案,提高了预测效率和精准度。
-
公开(公告)号:CN116453585A
公开(公告)日:2023-07-18
申请号:CN202310157523.6
申请日:2023-02-23
Applicant: 中南大学
IPC: G16B15/30 , G16B40/00 , G06N3/0464
Abstract: 本申请适用于生物信息技术领域,提供了一种mRNA和药物关联的预测方法、装置、终端设备及介质。其中,该方法在预先构建的关联二分图上,对mRNA和药物的向量表示进行邻居节点聚合,分别得到二者的初始特征向量;根据关联二分图,构建关联超图,得到mRNA和药物的超图特征向量表示;根据初始特征向量和超图特征向量表示,构建跨视图对比损失,得到综合损失;利用综合损失分别对mRNA和药物的初始特征向量进行更新,得到mRNA和药物的中间特征向量;若中间特征向量满足更新终止条件,则利用其构建关联性预测模型,预测mRNA与药物的关联性。本申请能够提高mRNA与药物关联性的预测的准确性。
-
-
-
-