-
公开(公告)号：CN119207582A
公开(公告)日：2024-12-27
申请号：CN202411264805.7
申请日：2024-09-10
IPC: G16B40/00 , G16B40/30 , G16B25/10 , G16B50/30 , G16B45/00 , G06N5/04 , G06N3/0455 , G06N3/096 , G06N3/0985 , G06F18/2133 , G06F18/23 , G06F18/27 , G06N3/048
Abstract: 本发明公开了一种基于对比学习的单细胞多组学基因调控网络推理方法，属于生物信息技术领域，其包括获取单细胞RNA测序数据和单细胞染色质可及性数据，并进行预处理得到多组学数据的先验网络；将先验调控网络加载成图结构，并将图结构转换为特征空间矩阵；计算图结构中每条边上两个结点的皮尔逊相关系数，当其大于预设阈值时，作为结点对，将结点对和其对应的特征向量和隐藏向量存储至数据集中；将数据集分成若干批次随机输入对比学习模型，得到每个结点的结点类型、结点对的配对程度和结点特征重建向量；采用调控网络解释器提取结点特征重建向量中两个结点在特征空间中的映射，并基于映射计算结点的结构熵，以此确定结点是否为关键结点。
-
公开(公告)号：CN118629672B
公开(公告)日：2024-10-11
申请号：CN202411110690.6
申请日：2024-08-14
IPC: G16H70/40 , G16H20/10 , G16H50/70 , G06F18/25 , G16C20/50 , G16C20/70 , G16B35/00 , G16B40/00 , G06N3/045 , G06N3/042 , G06N3/0464 , G06N3/0455
Abstract: 本发明公开了一种基于多模态数据融合的药物协同组合预测方法，首先获取药物组合样本的药物特征向量和细胞系基因表达量；接着基于多头自注意力的图注意力网络和最大池化操作提取药物特征向量中的药物分子图特征；再基于可变形卷积网络提取药物特征向量中的药物摩根指纹特征，并通过空间重建模块抑制药物摩根指纹特征的冗余；然后基于多层感知机提取细胞系基因表达量中的细胞系特征；最后采用Transformer将药物分子图特征、重建后的药物摩根指纹特征和细胞系特征进行特征融合，得到药物协同组合预测结果。本发明通过融合药物的多模态数据，增强了模型对药物的表征能力，进而提高了对未知药物协同组合的预测精度和泛化能力。
-
公开(公告)号：CN109063710B
公开(公告)日：2022-08-16
申请号：CN201810907208.X
申请日：2018-08-09
Applicant: 成都信息工程大学
Abstract: 本发明涉及图像分割领域中的鼻咽部肿瘤图像分割技术，具体的说是一种基于多尺度特征金字塔的3D CNN鼻咽癌分割方法。针对训练样本，需要由有经验的放射科肿瘤医师对若干鼻咽癌病例进行标注，使用整个三维MRI图像建立数据集，并对数据集进行一定的预处理，然后用网络对训练数据集进行训练，取得高精度的分割模型。对于新的病例，可以用该分割模型分割其MRI图像。相对传统的方法，除了训练阶段需要人工标注外，其余部分均可实现自动处理，大大降低对于有经验医师的需求，且与五种主流网络对比能取得较高的精度。
-
公开(公告)号：CN109191378A
公开(公告)日：2019-01-11
申请号：CN201810830164.5
申请日：2018-07-25
Applicant: 成都信息工程大学
IPC: G06T3/40
Abstract: 本发明涉及一种基于ERGAN网络单幅图像超分辨重建方法。本发明包括以下步骤：输入待重建图像I；将待重建图像I分为大小为m*m的图像块集合，每一个图像块用 表示，i＝1，2，...，s；将 处理成n*n大小的低分辨率图像 将低分辨率图像 输入到生成器G中进行训练；将生成器G输出的结果G(z)和 一同输入到鉴别器D中；将需要重建的图像再经过生成器G网络超分辨重建。本发明提出了基于生成对抗网络，增强对称残差单位的单图像超分辨率(ERGAN)，在训练的过程中保留了高频特征，减轻深层网络训练的难度。
-
公开(公告)号：CN108763865A
公开(公告)日：2018-11-06
申请号：CN201810489037.3
申请日：2018-05-21
Applicant: 成都信息工程大学
CPC classification number: G06N3/0454
Abstract: 本发明涉及一种预测DNA蛋白质结合位点的集成学习方法，其包括以下步骤：获取DNA结合蛋白质位点的蛋白质序列数据；对DNA结合蛋白质位点的蛋白质序列数据预处理；使用one‑hot编码方式构建输入数据；将提取的特征合并，构建每个蛋白质序列上氨基酸的特征，将其作为输入数据；使用SMOTE算法对正样本数据进行过采样；根据正样本大小将负样本数据分成多份，每份负样本与正样本组合成一个新的数据子集，得到N个数据子集；每个数据子集使用卷积神经网络进行训练；对N个卷积神经网络的结果进行多数投票法集成，从而得到预测结果。本发明解决了不平衡数据情况下的DNA蛋白质结合位点预测问题，提高了预测的准确性。
-
Patent Agency Ranking
公开(公告)号：CN119132426B
公开(公告)日：2025-04-04
申请号：CN202411242471.3
申请日：2024-09-05
IPC: G16B50/10 , G16B20/00 , G16B40/00 , G06F18/213 , G06F18/25 , G06F18/2415 , G06N3/0455 , G06N3/09
Abstract: 本发明公开了一种基于预训练的单细胞多组学的细胞类型注释方法，其属于生物信息技术领域，包括获取配对的scRNA‑seq数据的基因表达矩阵和scATAC‑seq数据的染色质可及性峰值矩阵，并对基因表达矩阵和染色质可及性峰值矩阵进行预处理，之后输入预训练的特征提取器，采用其多头交叉注意力网络得到融合多组学的查询特征矩阵；特征提取器包括多头交叉注意力网络和两个分类器；将查询特征矩阵输入分类模型，采用线性层进行数据拆分，接着输入Transformer编码器进行多组学遗传特征提取，之后输入分类器进行细胞类型注释。本方案的细胞类型注释方法解决了现有方法细胞类型注释存在偏差的问题。
-
公开(公告)号：CN119132426A
公开(公告)日：2024-12-13
申请号：CN202411242471.3
申请日：2024-09-05
IPC: G16B50/10 , G16B20/00 , G16B40/00 , G06F18/213 , G06F18/25 , G06F18/2415 , G06N3/0455 , G06N3/09
Abstract: 本发明公开了一种基于预训练的单细胞多组学的细胞类型注释方法，其属于生物信息技术领域，包括获取配对的scRNA‑seq数据的基因表达矩阵和scATAC‑seq数据的染色质可及性峰值矩阵，并对基因表达矩阵和染色质可及性峰值矩阵进行预处理，之后输入预训练的特征提取器，采用其多头交叉注意力网络得到融合多组学的查询特征矩阵；特征提取器包括多头交叉注意力网络和两个分类器；将查询特征矩阵输入分类模型，采用线性层进行数据拆分，接着输入Transformer编码器进行多组学遗传特征提取，之后输入分类器进行细胞类型注释。本方案的细胞类型注释方法解决了现有方法细胞类型注释存在偏差的问题。
-
公开(公告)号：CN118824350B
公开(公告)日：2024-11-26
申请号：CN202411296576.7
申请日：2024-09-18
IPC: G16B5/00 , G16B40/00 , G06N3/0442 , G06N3/0895
Abstract: 本发明公开了一种单细胞分化轨迹推断方法，涉及细胞分化轨迹分析技术领域，本方法基于DNA序列和RNA序列进行建模，同时预测染色质可及性和基因表达状态，并整合成对的单细胞多组学数据，将分类器的权重作为两种组学的细胞低维特征，利用对比学习学习其中的细胞异质性，提高单细胞的聚类准确率，进而构建准确的单细胞的分化轨迹。本方法采用轻量级深度学习模型，避免了当前众多基于编码解码器结构的单细胞数据融合模型训练困难的尴尬处境，还可以提高数据处理效率。本方法考虑到细胞异质性对于单细胞多组学数据融合的影响，利用对比学习，能够更精准地刻画多组学数据中的单细胞特征，为准确聚类打下基础。
-
公开(公告)号：CN118819474A
公开(公告)日：2024-10-22
申请号：CN202411102829.2
申请日：2024-08-13
Applicant: 成都信息工程大学
IPC: G06F8/10 , G06F40/284 , G06F40/295 , G06N3/0455 , G06N3/0442 , G06N3/0499 , G06N3/082
Abstract: 本发明公开了一种基于命名实体识别模型的软件功能点识别方法及系统，该方法包括如下步骤：S1：输入文本数据，进行数据预处理，得到文本中与功能点相关的数据集；S2：对文本数据进行编码处理，从文本中提取特征和上下文信息，得到词嵌入向量；S3：将位置嵌入向量、区域嵌入向量和词嵌入向量进行拼接后，进行卷积，得到细化后的特征；S4：由多层感知机和双仿射注意力机制组成的预测器推断出字符对之间的关系，并对所有可能的功能点类型进行解码，得到最终的功能点位置和其对应的功能点类型。本发明可以提高功能识别的准确性和可靠性，极大程度上节约人工成本。
-
公开(公告)号：CN109063710A
公开(公告)日：2018-12-21
申请号：CN201810907208.X
申请日：2018-08-09
Applicant: 成都信息工程大学
CPC classification number: G06K9/342 , G06K2209/05 , G06N3/0454
Abstract: 本发明涉及图像分割领域中的鼻咽部肿瘤图像分割技术，具体的说是一种基于多尺度特征金字塔的3D CNN鼻咽癌分割方法。针对训练样本，需要由有经验的放射科肿瘤医师对若干鼻咽癌病例进行标注，使用整个三维MRI图像建立数据集，并对数据集进行一定的预处理，然后用网络对训练数据集进行训练，取得高精度的分割模型。对于新的病例，可以用该分割模型分割其MRI图像。相对传统的方法，除了训练阶段需要人工标注外，其余部分均可实现自动处理，大大降低对于有经验医师的需求，且与五种主流网络对比能取得较高的精度。
-
-
-
-
-
-
-
-
-
Search Results
27
records
(took 0.024 seconds)
