-
公开(公告)号：CN115132279B
公开(公告)日：2025-04-25
申请号：CN202210644640.0
申请日：2022-06-09
Applicant: 大连理工大学
IPC: G16B40/20 , G06N3/0464 , G06N3/048 , G06N3/045 , G06N3/09
Abstract: 本发明公开一种基于深度残差收缩网络的多组学与表型关联预测方法。本发明首先通过差异分析对各组学高通量数据进行降维处理与排序，利用深度残差收缩神经网络学习组学和表型间的映射关系，在此基础上通过置信距离融合上述映射关系，结合主观逻辑的不确定方法实现预测，最后根据分类置信度反向推导出与表型联系最为紧密组学。本发明融合各个组学更能准确地表征复杂的人体生理活动，更客观地从多个维度分析和预测表型，同时考虑到组学数据的高维冗余特点设计了抗噪能力强的深度残差收缩神经网络，结合基于置信分数的主观逻辑多组学融合手段，使得本发明的预测性能相比现有方法在准确度、F1评分和AUC等评估指标上取得可观提升。
-
Patent Agency Ranking
公开(公告)号：CN115691677A
公开(公告)日：2023-02-03
申请号：CN202211134134.3
申请日：2022-09-16
Applicant: 大连理工大学
IPC: G16B40/20 , G16B25/10 , G16H50/70 , G06N3/0455 , G06N3/08
Abstract: 本发明公开一种基于可解释自编码器的多组学与表型关联挖掘方法。首先搭建先验知识残差稀疏编码器，利用先验知识，将高维多组学特征编码为蕴含所有组学隐含关联的低维潜在表达。其次构造解码器将低维潜在表达重新生成高维特征，根据该高维特征与原多组学特征的差异建立损失函数。然后，增加基于加性特征归因的解释性分析模块，建立完整的可解释残差变分稀疏自编码器。再次，以低维表达为输入，建立残差神经网络，完成下游的分类或回归任务。最后，对可解释残差变分稀疏自编码器和残差神经网络分别进行训练，训练后的整个模型框架即可实现多组学与表型关联挖掘，其输入为多组学数据与先验知识，输出为神经元解释性评分和下游分类或回归任务的结果。
-
公开(公告)号：CN114927162A
公开(公告)日：2022-08-19
申请号：CN202210544114.7
申请日：2022-05-19
Applicant: 大连理工大学
Abstract: 本发明公开一种基于超图表征与狄利克雷分布的多组学关联表型预测方法，包括：组学数据预处理模块实现原始组学数据清洗与特征预筛选功能，以去除可能影响关联挖掘性能的噪声、错误和冗余特征。组学数据超图表征模块完成各组学内的余弦相似度计算，并据此构建超图关联矩阵。特征提取模块搭建超图卷积神经网络进行各个组学数据的特征提取。多组学集成预测模块利用由每个特定超图卷积神经网络生成的初始结果来构建狄利克雷分布参数，并将其作为输入到多组学集成算法以进行最终标签预测。本发明基于多组学数据与相应表型标签挖掘各组学信息的潜在相关性，并且有效地集成每个组学的特征信息，实现精准的组学数据与人体表型的关联预测。
-
公开(公告)号：CN115132279A
公开(公告)日：2022-09-30
申请号：CN202210644640.0
申请日：2022-06-09
Applicant: 大连理工大学
Abstract: 本发明公开一种基于深度残差收缩网络的多组学与表型关联预测方法。本发明首先通过差异分析对各组学高通量数据进行降维处理与排序，利用深度残差收缩神经网络学习组学和表型间的映射关系，在此基础上通过置信距离融合上述映射关系，结合主观逻辑的不确定方法实现预测，最后根据分类置信度反向推导出与表型联系最为紧密组学。本发明融合各个组学更能准确地表征复杂的人体生理活动，更客观地从多个维度分析和预测表型，同时考虑到组学数据的高维冗余特点设计了抗噪能力强的深度残差收缩神经网络，结合基于置信分数的主观逻辑多组学融合手段，使得本发明的预测性能相比现有方法在准确度、F1评分和AUC等评估指标上取得可观提升。
-
公开(公告)号：CN114927162B
公开(公告)日：2024-06-14
申请号：CN202210544114.7
申请日：2022-05-19
Applicant: 大连理工大学
IPC: G16B20/00 , G16H50/30 , G06F18/10 , G06F18/2413 , G06F18/23 , G06F18/25 , G06F18/213 , G06N3/042 , G06N3/0464 , G06N3/084
Abstract: 本发明公开一种基于超图表征与狄利克雷分布的多组学关联表型预测方法，包括：组学数据预处理模块实现原始组学数据清洗与特征预筛选功能，以去除可能影响关联挖掘性能的噪声、错误和冗余特征。组学数据超图表征模块完成各组学内的余弦相似度计算，并据此构建超图关联矩阵。特征提取模块搭建超图卷积神经网络进行各个组学数据的特征提取。多组学集成预测模块利用由每个特定超图卷积神经网络生成的初始结果来构建狄利克雷分布参数，并将其作为输入到多组学集成算法以进行最终标签预测。本发明基于多组学数据与相应表型标签挖掘各组学信息的潜在相关性，并且有效地集成每个组学的特征信息，实现精准的组学数据与人体表型的关联预测。
-
公开(公告)号：CN115521986A
公开(公告)日：2022-12-27
申请号：CN202211134398.9
申请日：2022-09-19
Applicant: 大连理工大学
IPC: C12Q1/6888 , C12Q1/6869
Abstract: 本发明属于生物信息学领域，涉及基于生物多组学知识的人体体能评价方法。本发明总结出若干与力量、耐力、爆发力等基本身体素质相关联的基因，并且通过总结实验数据，得出若干有利于表型的优势基因型。这些基因型将对构建新型指标框架起到指导作用。根据这些基因数据，结合上述表观组型，对已有的体能测试标准进行重新分级，将基因型知识引入体能指标方案，得到分级的体能指标草案，从而满足更加细致的、更加个性化、更加符合实际需要的体能测试标准。同时针对雨林、高原、沙漠等环境对评价标准进行调整，形成不同环境下的有针对性的体能评价方法，并基于测试数据对已有的标准进行反馈优化，最终形成具有反馈机制的完整的人体体能评价标准体系。
-
-
-
-
-
Search Results
6
records
(took 0.032 seconds)
