公开(公告)号：CN118571326A

公开(公告)日：2024-08-30

申请号：CN202410499351.5

申请日：2024-04-24

Applicant: 安徽农业大学

Inventor： 窦欣雨 ,  祝小雷 ,  刘银博

IPC: G16B40/00 ,  G16B40/20 ,  G16B50/30 ,  G16H50/70 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/084 ,  G06N3/09

Abstract: 本发明公开了一种基于GCN编码DNN解码的miRNA‑disease关联预测方法。本发明中，利用图卷积网络(GCN)来吸收和学习网络中节点的高阶特征，从而有效地捕捉miRNA与疾病之间的复杂关系。在研究中，通过融合多模态网络中一层的混合高阶邻域信息，以Cm为例介绍了mirna的学习表示过程。除此之外，GCN还考虑了不同距离上miRNA的邻域信息，进一步增强了miRNA的特征表达能力。通过创新的GCN编码方法，通过融合多模态网络中的混合高阶邻域信息来学习miRNA和疾病的表征；DNN解码部分，使用深度神经网络对GCN编码的特征进行解码，实现miRNA‑disease关联的预测；关联预测性能的提升，相比传统方法具有更好的预测性能。

公开(公告)号：CN117238366A

公开(公告)日：2023-12-15

申请号：CN202311185012.1

申请日：2023-09-13

Applicant: 安徽农业大学

Inventor： 王港澳 ,  刘银博 ,  闫晓迪 ,  丁志杰 ,  李俊 ,  曾欣 ,  祝小雷

IPC: G16B20/20 ,  G16B30/00 ,  G16H50/50

Abstract: 本发明公开了一种基于异构图变换器计算疾病与RNA关联的方法，涉及疾病预测技术领域，包括：S1：数据集构建；S2：多视图相似性度量模块构建；S3：自编码器模块进行构建；S4：对异构图变换器模块进行优化；S5：构建内积解码器模块；该基于异构图变换器计算疾病与RNA关联的方法，通过基于异构图转换器的计算方法VRMHMD，预测miRNA‑疾病之间的关联，VRMHMD在多模式编码的基础上增加了一个随机自动编码过程，对两组数据进行编码，并通过两个不同的多层HGT网络提取编码，来自HGT每层的输出编码被连接作为最终编码，使用注意力机制来融合这两组编码，并执行矩阵乘法解码，以预测新的miRNA疾病敏感性关联矩阵。

公开(公告)号：CN116798514A

公开(公告)日：2023-09-22

申请号：CN202310720219.8

申请日：2023-06-18

Applicant: 安徽农业大学

Inventor： 闫晓迪 ,  王港澳 ,  曾欣 ,  任欣欣 ,  刘银博 ,  马之倩 ,  祝小雷

IPC: G16B20/30 ,  G16B40/20 ,  G16B40/30 ,  G06N3/045 ,  G06N3/047 ,  G06N3/048 ,  G06N3/088 ,  G06N3/096 ,  G06N3/0985 ,  G06F16/35 ,  G06F18/214 ,  G06F18/243 ,  G06F18/25

Abstract: 本发明公开了一种预测生物赖氨酸乙酰化位点的方法，涉及涉及生物学乙酰化研究领域，预先训练了一个用于Kace位点预测的领域特异性BERT模型，并对其进行了微调，以适应物种的特异性，预先训练好的BERT模型为表示蛋白质序列的内在信息提供了一个有效的工具，在web服务器上公开源码和数据集，利用BERT‑Kace模型预测位点，通过输入蛋白质序列来预测位点。解决了从蛋白质序列中提取的手工特征，基于经验可能不能表征蛋白质序列中所包含的所有生物信息，无法更好的挖掘序列中的生物信息的问题。

公开(公告)号：CN118645161A

公开(公告)日：2024-09-13

申请号：CN202410539942.0

申请日：2024-04-30

Applicant: 安徽农业大学

Inventor： 沈永祺 ,  祝小雷 ,  刘银博

IPC: G16B40/30 ,  G16B15/00 ,  G16B30/10 ,  G16H70/40 ,  G06N3/042 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/088

Abstract: 本发明公开了一种基于图变换器自编码和Attention‑DNN的RNA‑drug关联预测方法。本发明中，在GATE与Attention‑DNN中插入卷积神经网络(CNN)组合模块。GATE在数据特征提取中表现出色，能够有效地提取circrna和药物的载体表示，Attention‑DNN解码方法则在预测关联度处理领域表现出色，擅长处理药物的敏感性关联。将两者结合可以融合GATE在数据特征提取方面的优势和Attention‑DNN解码方法在预测关联度处理方面的优势，更好地提取和建模circrna和药物中的特征，提高模型准确性。GATE在框架中使用自注意力机制，能够有效地捕捉数据中的信息。

公开(公告)号：CN116741308A

公开(公告)日：2023-09-12

申请号：CN202310718986.5

申请日：2023-06-16

Applicant: 安徽农业大学

Inventor： 刘银博 ,  闫晓迪 ,  文戬 ,  曾欣 ,  朱浩然 ,  祝小雷

IPC: G16C20/50 ,  G16C20/70 ,  G06N3/042 ,  G06N3/047 ,  G06N3/082 ,  G06N3/0464 ,  G06N3/0455

Abstract: 本发明公开了一种基于HGT和随机自编码器的环状RNA‑药物关联预测方法，包括以下步骤：A、随机生成C和D两个向量分别表示circRNA和药物的编码，然后将它们分别输入到全连接层中进行编码，作为自编码器的一部分；B、将交互运算符的权重矩阵参数化为三个部分：源节点的投影、边缘的投影和目标节点的投影；然后，通过对每个边缘计算头注意力得分来计算源节点和目标节点之间的互注意力；C、将信息从源节点传递到目标节点；同时将元边缘关系整合到消息传递过程中；D、构建基于节点和边缘元关系的多层HGT模型，将每轮HGT操作的输出编码串联起来作为最终编码，得到新的circRNA‑药物敏感性关联矩阵。本发明能够更准确地预测circRNA和药物敏感性之间的关联。