-
公开(公告)号：CN112309505A
公开(公告)日：2021-02-02
申请号：CN202011226196.8
申请日：2020-11-05
Applicant: 湖南大学
Abstract: 本发明属于计算机科学领域，公开了一种基于网络表征的抗新冠炎症药物发现方法。首先通过融合DrugBank、UniProt、HPRD、SIDER、CTD、NDFRT和STRING等多个数据库构建多源、异构、大规模的生物医药网络；然后，通过随机游走的方式在网络中进行序列采样构成网络序列库，利用Transformer的深层双向编码器表征技术对进行表征，得到每个节点的表征向量；利用归纳矩阵分解技术进行靶标‑药物相互作用预测，发现潜在的抗COVID‑19炎症药物，推理出相关药物的作用机理。本发明通过集成多源异构的信息，多样化的数据为药物研发提供了一个多层关联知识，进而提高了预测精度；其次，通过Transformer模型融合了多头注意力机制，可以不同程度的捕获网络节点之间的关联性与网络节点的物理距离，进而改善表征的性能。
-
Patent Agency Ranking
公开(公告)号：CN113053457B
公开(公告)日：2022-04-05
申请号：CN202110321988.1
申请日：2021-03-25
Applicant: 湖南大学
Abstract: 本发明属于机器学习以及计算机生物信息学领域，公开了一种基于多通路图卷积神经网络的药物靶标预测方法。本发明包括步骤：基于随机游走的方法，计算药物信息的概率共现矩阵；通过概率共现矩阵计算移位正点互信息(PPMI)矩阵，通过使用计算所得的PPMI矩阵以及带自环的药物信息邻接矩阵作为全局和局部一致性的卷积核，对药物信息网络做图卷积操作，整合复杂有效的节点及拓扑结构知识，并通过交叉熵损失函数以及均方差损失函数联合对模型进行训练，将训练完成的模型作为药物靶标潜在关系预测的模型。本发明避免了传统药物靶标预测方法的局限性。本发明借助于多通路图卷积神经网络模型，实现高精度的药物靶标预测。
-
公开(公告)号：CN113053457A
公开(公告)日：2021-06-29
申请号：CN202110321988.1
申请日：2021-03-25
Applicant: 湖南大学
Abstract: 本发明属于机器学习以及计算机生物信息学领域，公开了一种基于多通路图卷积神经网络的药物靶标预测方法。本发明包括步骤：基于随机游走的方法，计算药物信息的概率共现矩阵；通过概率共现矩阵计算移位正点互信息(PPMI)矩阵，通过使用计算所得的PPMI矩阵以及带自环的药物信息邻接矩阵作为全局和局部一致性的卷积核，对药物信息网络做图卷积操作，整合复杂有效的节点及拓扑结构知识，并通过交叉熵损失函数以及均方差损失函数联合对模型进行训练，将训练完成的模型作为药物靶标潜在关系预测的模型。本发明避免了传统药物靶标预测方法的局限性。本发明借助于多通路图卷积神经网络模型，实现高精度的药物靶标预测。
-
公开(公告)号：CN111951246A
公开(公告)日：2020-11-17
申请号：CN202010803336.7
申请日：2020-08-11
Applicant: 湖南大学
Abstract: 本发明属于人工智能医疗领域，公开了一种基于深度学习的多方位X光胸片肺炎诊断方法，以提高神经网络模型在X光胸片上对肺炎诊断的性能。本发明通过：输入X光胸片数据，对数据进行清洗，过滤和图像增强；根据图像的成像方位对数据进行划分；使用迁移学习方法训练优化构建的多方位的深度卷积神经网络模型；将待诊断样本输入到模型中，得到X光胸片的分类结果，实现肺炎的分类检测。本发明可以对X光胸片图像数据进行高效的处理，过滤和图像增强，对参差不齐的医疗数据进行规范化、可训练化的治理。同时，通过输入多方位的X光胸片图像，可以提取患者更全的语义信息，有效提高模型对肺炎分类诊断的准确率，敏感值和特异值，为患者提供精准诊断。
-
公开(公告)号：CN111951246B
公开(公告)日：2022-03-04
申请号：CN202010803336.7
申请日：2020-08-11
Applicant: 湖南大学
Abstract: 本发明属于人工智能医疗领域，公开了一种基于深度学习的多方位X光胸片肺炎诊断方法，以提高神经网络模型在X光胸片上对肺炎诊断的性能。本发明通过：输入X光胸片数据，对数据进行清洗，过滤和图像增强；根据图像的成像方位对数据进行划分；使用迁移学习方法训练优化构建的多方位的深度卷积神经网络模型；将待诊断样本输入到模型中，得到X光胸片的分类结果，实现肺炎的分类检测。本发明可以对X光胸片图像数据进行高效的处理，过滤和图像增强，对参差不齐的医疗数据进行规范化、可训练化的治理。同时，通过输入多方位的X光胸片图像，可以提取患者更全的语义信息，有效提高模型对肺炎分类诊断的准确率，敏感值和特异值，为患者提供精准诊断。
-
公开(公告)号：CN112309505B
公开(公告)日：2021-08-17
申请号：CN202011226196.8
申请日：2020-11-05
Applicant: 湖南大学
Abstract: 本发明属于计算机科学领域，公开了一种基于网络表征的抗新冠炎症药物发现方法。首先通过融合DrugBank、UniProt、HPRD、SIDER、CTD、NDFRT和STRING等多个数据库构建多源、异构、大规模的生物医药网络；然后，通过随机游走的方式在网络中进行序列采样构成网络序列库，利用Transformer的深层双向编码器表征技术对进行表征，得到每个节点的表征向量；利用归纳矩阵分解技术进行靶标‑药物相互作用预测，发现潜在的抗COVID‑19炎症药物，推理出相关药物的作用机理。本发明通过集成多源异构的信息，多样化的数据为药物研发提供了一个多层关联知识，进而提高了预测精度；其次，通过Transformer模型融合了多头注意力机制，可以不同程度的捕获网络节点之间的关联性与网络节点的物理距离，进而改善表征的性能。
-
-
-
-
-
Search Results
6
records
(took 0.013 seconds)
