-
公开(公告)号：CN114496303A
公开(公告)日：2022-05-13
申请号：CN202210011416.8
申请日：2022-01-06
Applicant: 湖南大学
Abstract: 本发明属于计算机科学领域，公开了一种基于多通道神经网络的抗癌药物筛选方法。本发明通过图卷积网络提取图结构的药物分子图特征，一维卷积提取常规向量格式的药物分子指纹和细胞系miRNA特征，自编码器提取超高维的基因拷贝数特征，可以融合不同数据结构和维度的特征信息。本发明可以解决不同输入特征数据结构不同和数据复杂度高的问题，从而有效融合药物的全局和局部结构信息，以及来自不同组学数据的细胞系特征，提高药物敏感性预测的精度，进而提高抗癌药物筛选的效率。同时，多信息源的融合提高了模型的鲁棒性，使其在数据标签不足时，仍能保持稳定的性能。
-
Patent Agency Ranking
公开(公告)号：CN113611356A
公开(公告)日：2021-11-05
申请号：CN202110865026.2
申请日：2021-07-29
Applicant: 湖南大学
Abstract: 本发明属于计算机科学领域，公开了一种基于自监督图表征学习的药物重定位预测方法。首先探索发现生物异质网络中不同实体之间的多中心结构特征，并被用于元路径设计；其次，通过基于路径检测的自监督学习机制训练深度Transformer编码器，生成可以反映生物异质网络中全局信息的表征向量；同时，通过集成生物医学实体掩码任务来捕获网络节点之间的局部关联信息；最后，将来自不同任务模型的表征拼接起来作为特征向量，并利用传统的支持向量机模型预测生药物‑靶标的相互作用关系。本发明通过自监督图表征模型捕获了生物异质网络中的局部‑全局信息，进而提高了药物重定位预测精度，同时降低了对生物医学标注数据的依赖性，更加符合生物医药的实际应用。
-
公开(公告)号：CN113611356B
公开(公告)日：2023-04-07
申请号：CN202110865026.2
申请日：2021-07-29
Applicant: 湖南大学
Abstract: 本发明属于计算机科学领域，公开了一种基于自监督图表征学习的药物重定位预测方法。首先探索发现生物异质网络中不同实体之间的多中心结构特征，并被用于元路径设计；其次，通过基于路径检测的自监督学习机制训练深度Transformer编码器，生成可以反映生物异质网络中全局信息的表征向量；同时，通过集成生物医学实体掩码任务来捕获网络节点之间的局部关联信息；最后，将来自不同任务模型的表征拼接起来作为特征向量，并利用传统的支持向量机模型预测生药物‑靶标的相互作用关系。本发明通过自监督图表征模型捕获了生物异质网络中的局部‑全局信息，进而提高了药物重定位预测精度，同时降低了对生物医学标注数据的依赖性，更加符合生物医药的实际应用。
-
公开(公告)号：CN114496303B
公开(公告)日：2024-06-04
申请号：CN202210011416.8
申请日：2022-01-06
Applicant: 湖南大学
IPC: G16H70/40 , G16B20/10 , G16B40/00 , G06N3/042 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明属于计算机科学领域，公开了一种基于多通道神经网络的抗癌药物筛选方法。本发明通过图卷积网络提取图结构的药物分子图特征，一维卷积提取常规向量格式的药物分子指纹和细胞系miRNA特征，自编码器提取超高维的基因拷贝数特征，可以融合不同数据结构和维度的特征信息。本发明可以解决不同输入特征数据结构不同和数据复杂度高的问题，从而有效融合药物的全局和局部结构信息，以及来自不同组学数据的细胞系特征，提高药物敏感性预测的精度，进而提高抗癌药物筛选的效率。同时，多信息源的融合提高了模型的鲁棒性，使其在数据标签不足时，仍能保持稳定的性能。
-
公开(公告)号：CN114974610B
公开(公告)日：2024-05-31
申请号：CN202210391128.X
申请日：2022-04-14
Applicant: 湖南大学
IPC: G16H70/40 , G16B5/00 , G16B40/00 , G06N3/042 , G06N3/0455 , G06N3/0464 , G06N3/084
Abstract: 本发明属于计算机科学领域，公开了基于图神经网络和自动编码器的抗癌药物敏感性预测方法。首先从PubChem、CCLE和PRISM数据库中获取相关数据，然后根据所提取的信息和K近邻的方法构建药物细胞系对稀疏相似性矩阵A；其次，利用自动编码器对细胞系的高维特征进行降维，并将药物的特征和细胞系的特征进行拼接之后得到药物细胞系对的特征矩阵X；再次，将A和X作为输入，利用初始残差连接图神经网络学习网络中每个节点的表征；最后使用全连接层预测药物细胞系对之间的敏感性数值。本发明充分将药物、细胞系和DCP之间的相似性信息进行融合，并将图卷积神经网络和初始残差连接进行融合，提高了药物与细胞系对之间的敏感性预测精度。
-
公开(公告)号：CN114974610A
公开(公告)日：2022-08-30
申请号：CN202210391128.X
申请日：2022-04-14
Applicant: 湖南大学
Abstract: 本发明属于计算机科学领域，公开了基于图神经网络和自动编码器的抗癌药物敏感性预测方法。首先从PubChem、CCLE和PRISM数据库中获取相关数据，然后根据所提取的信息和K近邻的方法构建药物细胞系对稀疏相似性矩阵A；其次，利用自动编码器对细胞系的高维特征进行降维，并将药物的特征和细胞系的特征进行拼接之后得到药物细胞系对的特征矩阵X；再次，将A和X作为输入，利用初始残差连接图神经网络学习网络中每个节点的表征；最后使用全连接层预测药物细胞系对之间的敏感性数值。本发明充分将药物、细胞系和DCP之间的相似性信息进行融合，并将图卷积神经网络和初始残差连接进行融合，提高了药物与细胞系对之间的敏感性预测精度。
-
-
-
-
-
Search Results
6
records
(took 0.017 seconds)
