-
公开(公告)号：CN116259364A
公开(公告)日：2023-06-13
申请号：CN202211634066.7
申请日：2022-12-19
Applicant: 湖南大学
Abstract: 本发明涉及生物信息学中的数据挖掘领域，具体涉及一种基于时间序列单细胞转录组数据的细胞轨迹推断方法。本发明的方法主要包括收集和模拟带有时间序列的单细胞转录组数据；批次效应校正；对基因进行过滤和筛选；进行数据降维；在同一时间点内的细胞建立KNN图，利用基于社区检测的图抽象方法生成类图映射；相邻时间点使用基于分布参数的区间估计来测量细胞状态之间的转移概率。本发明可有效利用具有物理时间信息的数据进行细胞轨迹推断，并利用图拓扑结构以表示简单或复杂轨迹，以重建或捕获有机体内的谱系关系。本发明的方法可行且有效，对于研究细胞内部的差异性以及构建任意类型的拓扑结构图具有重要意义。
-
公开(公告)号：CN110084626B
公开(公告)日：2023-04-18
申请号：CN201910381347.8
申请日：2019-05-08
Applicant: 湖南大学
IPC: G06Q30/018 , G06F16/22 , G06F16/2455 , G06F16/2458 , G06F21/62 , G06F21/60 , G06F21/64
Abstract: 本发明属于计算机科学领域，公开了一种基于区块链的疫苗生产监管方法，通过对疫苗生产过程中的数据采集，将疫苗生产的培养、收获、超滤、灭活、纯化过程以及相应的无菌检查、病毒滴定实验、灭活验证实验、原液检定的相关参数和结果保存，同时以区块链交易的形式保存对应信息的哈希结果并发送到监管机构。在完成疫苗生产，申请批签发时将本批次疫苗的各交易信息打包为一个区块，并写入生产企业信息后发送给监管机构，监管机构完成疫苗检定同时检查保存的疫苗生产信息，并比对生产信息哈希结果与区块内各交易的哈希信息，检查无误后将区块广播写入链内，本发明实现了对疫苗生产过程的监管并保护了生产企业的商业隐私，具有十分重要的推广应用价值。
-
公开(公告)号：CN115881232A
公开(公告)日：2023-03-31
申请号：CN202211605957.X
申请日：2022-12-12
Applicant: 湖南大学
IPC: G16B50/10 , G16B40/00 , G06F18/25 , G06F18/2415 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/08
Abstract: 本发明涉及生物信息学中的数据挖掘，特别是涉及对scRNA‑seq数据的挖掘。具体涉及一种基于图神经网络和特征融合的scRNA‑seq细胞类型注释方法。其特点是融合基因互作网络的局部特征和scRNA‑seq数据的全局特征进行细胞类型注释，通过GCN提取基因与基因间的局部特征，基于ZINB自动编码器进行基因表达全局特征提取，最后融合两部分特征输入分类器，进而对细胞类型注释。相比于现有的细胞类型注释模型，本发明提出的模型有效的利用了基因互作网络的先验知识，在准确率上有明显提升。
-
公开(公告)号：CN110136113B
公开(公告)日：2022-06-07
申请号：CN201910399732.5
申请日：2019-05-14
Applicant: 湖南大学
Abstract: 本发明属于计算机视觉及机器学习技术领域，公开了一种基于卷积神经网络的阴道病理图像分类方法。本发明包括步骤：使用上采样方法，得到类别平衡的阴道病理图像数据集；利用数据增强方法扩增阴道病理图像数据集；利用扩增的阴道病理图像数据集对图像分类卷积神经网络进行训练；利用交叉熵损失函数，结合BP算法对图像分类卷积神经网络进行网络参数更新；通过训练后的最优图像分类卷积神经网络对输入图像进行分类。本发明避免了传统特征提取方法的局限，如：高度依赖于医护人员的经验知识，耗费大量的时间和精力完成，提取出有区分性的高质量特征也往往存在一定的困难，而且准确率低，本发明借助于卷积神经网络，实现阴道病理图像的高精度分类。
-
公开(公告)号：CN114171124A
公开(公告)日：2022-03-11
申请号：CN202111387787.8
申请日：2021-11-22
Applicant: 湖南大学
Abstract: 本发明涉及生物信息学中的数据挖掘领域，具体涉及一种基于回归的性能优异的miRNA与疾病关联预测方法。其发明内容主要包括：(1)数据集的收集和处理；(2)构建疾病语义相似性矩阵SS、miRNA功能相似性矩阵FS、疾病/miRNA高斯相互作用轮廓核相似性矩阵KD和KM以及疾病/miRNA综合相似性矩阵SD和SM；(3)利用嵌入层的概念，利用回归模型训练嵌入层，将一种疾病/miRNA映射成一个特征向量；(4)利用k均值聚类挑选负样本；(5)构建BP神经网络并训练；(6)利用训练好的BP神经网络做预测；(7)利用dbDEMC数据库验证预测结果的准确性。和现有的技术相比，本发明提供了一种基于回归提取特征向量，并用k均值聚类提取负样本以识别未知的疾病‑miRNA关联，具有更强的鲁棒性。本发明的方法可行且有效，在预测miRNA与疾病关联方方面能取得良好的效果，对于疾病/miRNA特征向量的提取的发展具有重要意义。
-
Patent Agency Ranking
公开(公告)号：CN114121158A
公开(公告)日：2022-03-01
申请号：CN202111471768.3
申请日：2021-12-01
Applicant: 湖南大学
IPC: G16B30/00
Abstract: 本发明涉及生物信息学中的数据挖掘，特别是涉及对scRNA‑seq数据的挖掘。具体涉及一种基于深度网络自适应的scRNA‑seq细胞类型识别方法。本发明的方法包括对scRNA‑seq数据的处理；构建神经网络训练scRNA‑seq数据；加入自适应层优化神经网络架构以克服不同批次数据集之间的差异性；对类型信息未知的scRNA‑seq数据集中的细胞类型进行准确识别。本发明可用于识别未知scRNA‑seq数据集的细胞类型，可有效克服类型信息已知的数据集和类型信息未知的数据集之间的技术差异和批次效应影响。
-
公开(公告)号：CN114067915A
公开(公告)日：2022-02-18
申请号：CN202111388132.2
申请日：2021-11-22
Applicant: 湖南大学
Abstract: 本发明涉及生物信息学中的数据挖掘，特别是涉及对单细胞RNA测序数据的挖掘。具体涉及通过深度学习的方法对单细胞RNA测序数据进行维度压缩以及聚类，来达到有效识别细胞种群的目的。本发明的方法包括对scRNA‑seq数据进行收集和预处理；构建深度对抗变分自编码器模型；使用构建的模型对预处理过的数据进行降维；将深度对抗变分自编码器与Bhattacharyya距离结合；对降维后的结果进行聚类分析。我们的模型约束了数据结构，并通过深度对抗变分自编码器模块进行降维。以标准化互信息这一评价指标为依据，在三个真实的scRNA‑seq数据集上进行的实验表明，本方法具有不错的性能。
-
公开(公告)号：CN112530518A
公开(公告)日：2021-03-19
申请号：CN202011403054.4
申请日：2020-12-04
Applicant: 湖南大学
Abstract: 本发明涉及生物信息学中的数据挖掘领域，具体涉及一种涉及基于K均值模型的癌症突变簇识别方法。其发明内容主要包括：(1)对TCGA数据库的体细胞突变数据进行预处理；(2)计算初始突变簇中心；(3)动态划分突变，形成突变簇；(4)筛选突变簇，得到最终结果。和现有的技术相比，本发明提供了一种数据自适应的方法，以识别对癌症进程影响重大的突变簇，具有更强的鲁棒性。本发明的方法可行且有效，在识别癌症突变簇方面能取得良好的效果，提供了一个从突变簇角度研究癌症发展机制的角度，对于癌症驱动突变的研究和基因治理具有重要意义。
-
公开(公告)号：CN118136104A
公开(公告)日：2024-06-04
申请号：CN202410224200.9
申请日：2024-02-29
Applicant: 湖南大学
Abstract: 一种大规模基因调控网络推断方法及装置，获取标准仿真数据集中的时间序列实验数据和来自大肠杆菌的真实基因表达稳态数据；利用非线性常微分方程对时间序列实验数据和稳态数据进行整合，构建基因网络模型；采用最大互信息系数对基因网络模型进行降维，通过计算因子间的最大互信息系数作为基因网络模型处理的前置步骤；对特征融合算法计算出来的加权向量进行汇总，生成目标基因的综合调控基因重要性列表，通过综合调控基因重要性列表对基因对之间的调控关系表达；将来自大肠杆菌的真实基因表达数据放入模型进行训练和预测，通过交叉验证来评估模型的性能。本发明解决传统技术因固有的高维性、稀疏性和非线性，导致的推断效率和准确性低的问题。
-
公开(公告)号：CN116386729A
公开(公告)日：2023-07-04
申请号：CN202211716676.1
申请日：2022-12-23
Applicant: 湖南大学
IPC: G16B40/00 , G16B50/00 , G06N3/0455 , G06N3/088 , G06F18/213 , G06F18/23213
Abstract: 本发明涉及生物信息学中的数据挖掘，特别是涉及对单细胞RNA测序数据的挖掘。具体涉及通过深度学习的方法对单细胞RNA测序数据进行维度压缩以及聚类，来达到有效识别细胞种群的目的。本发明的方法包括对scRNA‑seq数据进行收集和预处理；构建图神经网络模型；使用构建的模型对预处理过的数据进行降维；对降维后的结果进行聚类分析。我们的模型约束了数据结构，并通过图神经网络模块进行降维，并在降维结果中同时保留细胞‑细胞关系和基因‑基因关系。以标准化互信息和调整兰德指数作为评价指标，在五个真实的scRNA‑seq数据集上进行的实验表明，本方法具有不错的性能。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.021 seconds)
