-
公开(公告)号：CN116312759A
公开(公告)日：2023-06-23
申请号：CN202310201284.X
申请日：2023-03-03
Applicant: 河南大学
IPC: G16B15/30 , G16H70/40 , G06N3/094 , G06N3/0464
Abstract: 本发明涉及生物信息学技术领域，具体涉及基于图生成对抗网络和变分自动编码器的药物重定位方法，该方法包括：利用药物相似性矩阵、靶标相似性矩阵和药物‑靶标相互作用矩阵，构建药物‑靶标的异构网络、邻接矩阵和初始特征矩阵；采用变分自动编码器利用卷积神经网络的特征提取和融合功能，将药物‑靶标的邻接矩阵和初始特征矩阵中的初始特征编码为隐变量；基于药物‑靶标的异构网络，利用对抗模型强化隐变量中药物和靶标的特征表示；在对抗模型多次迭代后，通过提取生成器中的隐变量，用以构建预测矩阵；对未知的药物‑靶标的相互作用进行预测。本发明在药物‑靶标相互作用预测方面具有较好的性能，对药物进行重定位具有较好的效果。
-
公开(公告)号：CN116222572A
公开(公告)日：2023-06-06
申请号：CN202310135231.2
申请日：2023-02-18
Applicant: 河南大学
IPC: G01C21/20
Abstract: 本发明提供一种基于半定规划与重构线性化技术的无人机定位方法及系统。该方法包括：步骤1：根据目标无人机与信标无人机之间的距离和任意两个目标无人机之间的距离，建立无人机三维相对定位模型；步骤2：对所述无人机三维相对定位模型建立半定规划约束，并将其调整为标准半定规划问题；步骤3：利用重构线性化技术收紧所述标准半定规划问题的解的可行域并求解，即得到目标无人机的初步位置；步骤4：对存在干扰因素的无人机距离测量过程进行建模，将所述目标无人机的初步位置作为狼群的初始化位置，利用改进灰狼优化算法求解得到各个目标无人机的最终位置。
-
公开(公告)号：CN113113137B
公开(公告)日：2022-10-11
申请号：CN202110415025.8
申请日：2021-04-17
Applicant: 河南大学
Abstract: 本发明提供一种基于最大相关最小冗余和改进花授粉算法的特征选择方法。该方法包括：步骤1、采用基于最大相关最小冗余算法的特征排序策略和反向学习对种群中的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作为全局最优解；步骤3、采用改进的花授粉算法更新种群，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。本发明可以获得较高的准确性和较低的时间消耗。
-
公开(公告)号：CN112927757B
公开(公告)日：2022-09-02
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：CN114420310A
公开(公告)日：2022-04-29
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。
-
Patent Agency Ranking
公开(公告)号：CN109935274B
公开(公告)日：2021-04-30
申请号：CN201910156934.7
申请日：2019-03-01
Applicant: 河南大学
IPC: G16B15/10
Abstract: 本发明涉及一种基于k‑mer分布特征的长读数重叠区检测方法，首先提取出长读数集合中的所有k‑mer，并存入到哈希表中；针对两个特定的长读数，提取它们共有的每一对k‑mer，其中每一个共有k‑mer均用一个二元组来表示；然后构建一个共有k‑mer图，该图中每一个节点代表一个共有k‑mer；然后利用该共有k‑mer图确定这两个长读数之间是否存在重叠区以及重叠区在这两个长读数上的起始和终止位置。本发明简单易用，准确性好；在真实数据集大肠杆菌上表现出良好的重叠区检测结果，较其它重叠区检测方法在多项评价指标上具有更优的表现。
-
公开(公告)号：CN116222572B
公开(公告)日：2025-05-20
申请号：CN202310135231.2
申请日：2023-02-18
Applicant: 河南大学
IPC: G01C21/20
Abstract: 本发明提供一种基于半定规划与重构线性化技术的无人机定位方法及系统。该方法包括：步骤1：根据目标无人机与信标无人机之间的距离和任意两个目标无人机之间的距离，建立无人机三维相对定位模型；步骤2：对所述无人机三维相对定位模型建立半定规划约束，并将其调整为标准半定规划问题；步骤3：利用重构线性化技术收紧所述标准半定规划问题的解的可行域并求解，即得到目标无人机的初步位置；步骤4：对存在干扰因素的无人机距离测量过程进行建模，将所述目标无人机的初步位置作为狼群的初始化位置，利用改进灰狼优化算法求解得到各个目标无人机的最终位置。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.022 seconds)
