公开(公告)号：CN115132279B

公开(公告)日：2025-04-25

申请号：CN202210644640.0

申请日：2022-06-09

Applicant: 大连理工大学

Inventor： 李文耀 ,  林恺 ,  高建 ,  张强 ,  何昆仑 ,  石金龙

IPC: G16B40/20 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/045 ,  G06N3/09

Abstract: 本发明公开一种基于深度残差收缩网络的多组学与表型关联预测方法。本发明首先通过差异分析对各组学高通量数据进行降维处理与排序，利用深度残差收缩神经网络学习组学和表型间的映射关系，在此基础上通过置信距离融合上述映射关系，结合主观逻辑的不确定方法实现预测，最后根据分类置信度反向推导出与表型联系最为紧密组学。本发明融合各个组学更能准确地表征复杂的人体生理活动，更客观地从多个维度分析和预测表型，同时考虑到组学数据的高维冗余特点设计了抗噪能力强的深度残差收缩神经网络，结合基于置信分数的主观逻辑多组学融合手段，使得本发明的预测性能相比现有方法在准确度、F1评分和AUC等评估指标上取得可观提升。

公开(公告)号：CN115691677A

公开(公告)日：2023-02-03

申请号：CN202211134134.3

申请日：2022-09-16

Applicant: 大连理工大学

Inventor： 李文耀 ,  林恺 ,  高建 ,  张强 ,  何昆仑 ,  石金龙

IPC: G16B40/20 ,  G16B25/10 ,  G16H50/70 ,  G06N3/0455 ,  G06N3/08

Abstract: 本发明公开一种基于可解释自编码器的多组学与表型关联挖掘方法。首先搭建先验知识残差稀疏编码器，利用先验知识，将高维多组学特征编码为蕴含所有组学隐含关联的低维潜在表达。其次构造解码器将低维潜在表达重新生成高维特征，根据该高维特征与原多组学特征的差异建立损失函数。然后，增加基于加性特征归因的解释性分析模块，建立完整的可解释残差变分稀疏自编码器。再次，以低维表达为输入，建立残差神经网络，完成下游的分类或回归任务。最后，对可解释残差变分稀疏自编码器和残差神经网络分别进行训练，训练后的整个模型框架即可实现多组学与表型关联挖掘，其输入为多组学数据与先验知识，输出为神经元解释性评分和下游分类或回归任务的结果。

公开(公告)号：CN115132279A

公开(公告)日：2022-09-30

申请号：CN202210644640.0

申请日：2022-06-09

Applicant: 大连理工大学

Inventor： 李文耀 ,  林恺 ,  高建 ,  张强 ,  何昆仑 ,  石金龙

IPC: G16B40/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开一种基于深度残差收缩网络的多组学与表型关联预测方法。本发明首先通过差异分析对各组学高通量数据进行降维处理与排序，利用深度残差收缩神经网络学习组学和表型间的映射关系，在此基础上通过置信距离融合上述映射关系，结合主观逻辑的不确定方法实现预测，最后根据分类置信度反向推导出与表型联系最为紧密组学。本发明融合各个组学更能准确地表征复杂的人体生理活动，更客观地从多个维度分析和预测表型，同时考虑到组学数据的高维冗余特点设计了抗噪能力强的深度残差收缩神经网络，结合基于置信分数的主观逻辑多组学融合手段，使得本发明的预测性能相比现有方法在准确度、F1评分和AUC等评估指标上取得可观提升。