-
公开(公告)号：CN119626579A
公开(公告)日：2025-03-14
申请号：CN202411674521.5
申请日：2024-11-21
Applicant: 河南大学
Abstract: 本发明涉及生物信息学技术领域，具体涉及一种基于多相似性网络和知识图谱的药物重定位预测方法，包括：获取药物和疾病的多相似性网络；利用图正则化集成方法融合多相似性网络，提取药物和疾病的公共属性特征表示；利用生物医学知识图谱，在包含多个实体关联的异构网络中学习药物和疾病的拓扑特征表示；对属性特征表示与拓扑特征表示进行融合处理，得到融合特征向量；根据药物和疾病的融合特征向量，构建并训练药物疾病异构网络，得到训练好的药物疾病异构网络，进而对药物与疾病的关联进行重构，得到药物疾病相互作用的预测结果。本发明通过融合多相似性网络和引入知识图谱嵌入方法，提高了对药物疾病相互作用预测的准确性。
-
公开(公告)号：CN114420310B
公开(公告)日：2024-11-12
申请号：CN202210063363.4
申请日：2022-01-18
Applicant: 河南大学
Abstract: 本发明公开了一种基于图转换网络的药物ATC Code预测方法即DACPGTN，首先，获取与药物相关的靶标蛋白质与疾病，通过基于不同评价标准下的药物相互作用信息，得到7种药物相似性，并查找或计算与药物关联的靶标蛋白质、疾病相似性信息，将相似性信息作为特征，共同构建相应的复合特征矩阵，其次，考虑引入药物、靶标蛋白质、疾病三种实体间存在的已知关联信息，构建代表多个不同边关系的异构图，并使用图转化网络中Graph Transformer Layer，学习多个异构邻接矩阵的关联信息，从而学习到药物‑靶标蛋白质‑疾病之间的潜在多重关联图结构，最终将Graph Transformer Layer得到的关联信息图结构，与药物‑靶标蛋白质‑疾病复合特征矩阵，一起输入到端对端预测模块中进行学习，做出最终药物ATC Code预测；本发明简单有效，通过与其他方法比较，及在数据集上测试表明，该发明在药物ATC Code预测方面具有较好的性能。
-
公开(公告)号：CN118629494A
公开(公告)日：2024-09-10
申请号：CN202410666750.6
申请日：2024-05-23
Applicant: 河南大学
IPC: G16B20/30 , G16B40/20 , G06N3/0455 , G06N3/09
Abstract: 本发明提供一种基于Transformer的基因组预测方法。该方法包括：步骤1：获取原始SNP位点数据集；步骤2：采用堆叠策略对原始SNP位点数据集进行特征选择得到特征子集#imgabs0#步骤3：对所述特征子集#imgabs1#中的所有SNP位点进行编码，得到编码矩阵；步骤4：将所述编码矩阵输入至训练好的表型预测模型，预测得到表型值；其中，所述表型预测模型包括Transformer网络和回归预测模块；其中，所述Transformer网络根据输入的编码矩阵获取SNP位点之间的潜在关联信息；所述回归预测模块根据SNP位点之间的潜在关联信息预测得到表型值。本发明通过特征选择在降低计算成本的同时提升表型预测准确率。
-
公开(公告)号：CN110110753B
公开(公告)日：2023-08-25
申请号：CN201910266518.2
申请日：2019-04-03
Applicant: 河南大学
IPC: G06F18/2111 , G06F18/2115 , G06F18/24 , G16H50/70
Abstract: 本发明提供一种基于精英花授粉算法和ReliefF的有效混合特征选择方法。该方法包括：步骤1、采用基于ReliefF特征排序和随机化的双初始种群策略对由M个个体组成的种群进行初始化；步骤2、采用二元精英花授粉算法更新种群，并计算种群中每个个体的适应度值，得到种群中的全局最优解；步骤3、采用禁忌搜索算法搜索全局最优解的邻域确定候选解，并根据候选解的适应度值更新禁忌表；步骤4、在禁忌表中选取适应度值最大的个体作为精英个体，将精英个体替换种群中适应度值最小的个体，形成新的种群；步骤5、以步骤2至步骤4作为一次迭代，重复进行步骤2至步骤4，直至当前迭代次数达到设定的迭代次数。本发明与其他特征选择方法相比可获得高分类精确度。
-
公开(公告)号：CN118335189A
公开(公告)日：2024-07-12
申请号：CN202410493560.9
申请日：2024-04-23
Applicant: 河南大学
Abstract: 本发明涉及单细胞聚类技术领域，具体涉及融合变分图注意力自编码器的单细胞深度聚类方法，包括，获取基因表达矩阵和细胞‑细胞图，利用变分图注意力层，确定细胞‑细胞图中每个节点的新特征向量，进而构建邻接矩阵；基于邻接矩阵和基因表达矩阵，融合细胞的结构、特征信息，利用基于零膨胀负二项式模型的自编码器进行非线性变换得到最终嵌入表示；根据最终嵌入表示进行聚类处理，得到各个细胞聚类簇。本发明通过将变分图注意自编码器、基于零膨胀负二项式模型的自动编码器和自监督模块集成到深度聚类框架中，使得单细胞的特征数据和结构数据能够更好融合，有效提高了单细胞聚类效果。
-
Patent Agency Ranking
公开(公告)号：CN110837884B
公开(公告)日：2023-08-29
申请号：CN201911041662.2
申请日：2019-10-30
Applicant: 河南大学
Abstract: 本发明提供一种基于改进的二元磷虾群算法和信息增益算法的有效混合特征选择方法。该算法包括：步骤1、采用基于信息增益算法的特征排序策略对种群中的N个个体进行随机初始化；步骤2、采用设定的适应度函数计算所述种群中每个个体的适应度值，将种群中适应度值最大的个体所表示的解作为种群中的全局最优解；步骤3、使用改进的二元磷虾群算法更新种群，并更新种群中每个个体的适应度值，更新种群中的全局最优解；步骤4、以步骤3作为一次迭代，重复进行步骤3，直至当前迭代次数达到设定的迭代次数。通过10‑折交叉在九个公开生物医学数据集上测试验证，本发明可以有效地简化基因表达水平的数量，并且与其他特征选择方法相比获得高分类准确度。
-
公开(公告)号：CN112927757A
公开(公告)日：2021-06-08
申请号：CN202110206290.5
申请日：2021-02-24
Applicant: 河南大学
Abstract: 本发明提供了一种基于基因表达和DNA甲基化数据的胃癌生物标志物识别方法(GCBMI)。本发明结合基因表达数据和DNA甲基化数据，将差异分析、统计检测以及互信息的方法相结合来识别潜在的胃癌生物标志物。首先利用互信息的方法选出排名靠前的基因，然后利用Fold Change(FC)与T‑test计算每个基因的FC值与p值，随后引入FDR来校正p值，通过设置相应的阈值进一步筛选差异表达基因。本发明分别对胃癌的基因表达数据与DNA甲基化数据进行上述操作，将获得的差异基因取交集后得到最终确定的胃癌生物标志物。本发明简单有效，通过与其他的特征选择方法比较，显示该发明在预测潜在的胃癌生物标志物中具有较好的表现。
-
公开(公告)号：CN110275700A
公开(公告)日：2019-09-24
申请号：CN201910520250.0
申请日：2019-06-17
Applicant: 河南大学
IPC: G06F8/20
Abstract: 本发明提供一种基于electron的跨平台桌面应用程序开发框架及方法。该框架：公共组件模块、进程模块、框架服务模块和MVC实例模块；所述公共组件模块内部集成有路由子模块、配置子模块和日志子模块；所述进程模块包括主进程模块和渲染进程模块，所述主进程模块和渲染进程模块均扩展有辅助进程模块，分别为主进程辅助进程模块和渲染进程辅助进程模块；所述框架服务模块包括文件系统服务子模块、Http请求与应答服务子模块、消息通知服务子模块、状态机服务子模块和本地存储服务子模块。该方法包括开发框架的使用方法和运行方法。本发明可以使得开发者可以更好的利用electron的特性专注于业务实现，而不必关注技术细节，提高桌面应用程序开发人员的开发效率。
-
公开(公告)号：CN110110753A
公开(公告)日：2019-08-09
申请号：CN201910266518.2
申请日：2019-04-03
Applicant: 河南大学
Abstract: 本发明提供一种基于精英花授粉算法和ReliefF的有效混合特征选择方法。该方法包括：步骤1、采用基于ReliefF特征排序和随机化的双初始种群策略对由M个个体组成的种群进行初始化；步骤2、采用二元精英花授粉算法更新种群，并计算种群中每个个体的适应度值，得到种群中的全局最优解；步骤3、采用禁忌搜索算法搜索全局最优解的邻域确定候选解，并根据候选解的适应度值更新禁忌表；步骤4、在禁忌表中选取适应度值最大的个体作为精英个体，将精英个体替换种群中适应度值最小的个体，形成新的种群；步骤5、以步骤2至步骤4作为一次迭代，重复进行步骤2至步骤4，直至当前迭代次数达到设定的迭代次数。本发明与其他特征选择方法相比可获得高分类精确度。
-
公开(公告)号：CN118212980A
公开(公告)日：2024-06-18
申请号：CN202410450080.4
申请日：2024-04-15
Applicant: 河南大学
IPC: G16B20/00 , G16B40/00 , G06F18/22 , G06F18/2135 , G06N3/042 , G06N3/0464 , G06N3/045 , G06F18/25 , G06N3/048 , G06N3/08 , G06N3/0985
Abstract: 本发明涉及生物信息学技术领域，具体涉及基于样本相似性网络和图卷积网络的玉米性状预测方法，该方法包括：获取玉米多组学数据；利用相似性网络融合方法构建多组学样本相似性网络；利用主成分分析方法得到玉米各组学数据的主成分分数矩阵并进行串联拼接，获得多组学节点特征矩阵；将多组学样本相似性网络和多组学节点特征矩阵输入到图卷积网络中进行训练；通过全连接层预测器得到对玉米性状的预测结果。本发明利用玉米样本间存在的相似性信息，建立了一个综合的多组学样本相似性网络，并通过图卷积网络有效挖掘了不同玉米组学数据间的关联和交互信息，提高了对玉米性状预测的准确度。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.024 seconds)
