-
公开(公告)号:CN117831609A
公开(公告)日:2024-04-05
申请号:CN202410054333.6
申请日:2024-01-15
申请人: 电子科技大学
IPC分类号: G16B15/20 , G16B40/00 , G06N3/0455 , G06N3/08
摘要: 本发明涉及蛋白质二级结构预测领域,具体涉及一种蛋白质二级结构预测方法、装置及计算机装置,提高了蛋白质二级结构预测的精确性。方案包括:通过预训练蛋白质语言模型获得给定蛋白质的序列嵌入特征;通过位置特定评分矩阵的计算方式得到高质量的PSSMXH;对高质量的PSSMXH进行下采样以获得低质量的PSSMXL;将序列嵌入特征以及低质量的PSSMXL输入序列嵌入增强PSSM模块,获取增强PSSM特征XE;引入知识蒸馏策略,将使用高质量PSSM训练得到的蛋白质二级结构预测教师模型的知识传递给使用增强PSSM的学生模型,教师模型以高质量的PSSMXH、序列编码矩阵以及位置编码矩阵作为输入,学生模型以增强PSSM特征XE、序列编码矩阵以及位置编码矩阵作为输入。本发明适用于蛋白质二级结构预测。
-
公开(公告)号:CN117594155A
公开(公告)日:2024-02-23
申请号:CN202311487324.8
申请日:2023-11-09
申请人: 电子科技大学
IPC分类号: G16C20/50 , G16C20/70 , G16B15/30 , G06N3/0442 , G06N3/045 , G06N3/0499 , G06N3/0455 , G06N3/084 , G06N3/0985
摘要: 本发明涉及一种基于靶特异性小分子和多属性约束的条件分子生成方法,包括:对单个靶点和配体小分子库的相互作用情况进行预训练,捕获靶点蛋白和配体之间的潜在交互特征;设置多属性约束条件作为条件变分自编码器的输入,并根据损失函数的梯度更新模型参数,在达到预定训练轮数后完成训练,保存模型参数;得到对应的条件向量输入到条件分子生成模型中,得到新分子的SMILES序列。本发明引入多属性约束特征等多种属性约束,通过条件变分自编码器将初始分子嵌入向量和约束条件向量作为输入,获得新分子的嵌入向量,再通过翻译模块得到新分子,所获得的新分子尽可能在靶特异性、结构和性质上满足药物研发人员的期望。
-
公开(公告)号:CN117238362A
公开(公告)日:2023-12-15
申请号:CN202311277803.7
申请日:2023-09-28
申请人: 电子科技大学
IPC分类号: G16B15/30 , G16B40/00 , G16C20/50 , G16C20/70 , G06N3/0455 , G06N3/0464 , G06N3/047 , G06N3/048
摘要: 本发明属于生物信息学领域,涉及药物‑靶标相互作用(Drug‑Target Interaction,DTI)鉴定技术,具体提供一种基于结构感知消息传递的药物‑靶标预测方法。本发明提出一种基于序列生成树的结构特征提取模块,建模药物的多尺度结构并提取特征,并将结构信息引入药物分子图的表示更新过程中,从而丰富分子图的表示;此外,采用多个蛋白质相关矩阵,融合蛋白质的结构和理化性质等信息,增强蛋白质的表示;最后,通过基于transformer和消息传递神经网络的交互特征提取模块更好地捕捉药物和靶标之间的双向相互作用,从而提升药物‑靶标预测的精度。
-
公开(公告)号:CN117219192A
公开(公告)日:2023-12-12
申请号:CN202311113908.9
申请日:2023-08-31
申请人: 电子科技大学
摘要: 本发明属于人工智能技术领域,具体涉及一种基于八叉树的药物分子属性预测方法。该方法是利用药物分子的三维构象比一维SMILES序列和二维的分子图具有更加丰富的特征信息这一优势,以一维SMILES序列为输入,构建三维空间,获得表示各原子位置坐标的点云数据。基于点云数据建立体素空间并将点云数据投影到体素空间,利用体素空间创建八叉树,并使用八叉树学习分子表示,在初始化原子嵌入时引入了各原子的基本特征,方法具有较强的可解释性;结合同层级和跨层级学习可以捕获原子级交互、子结构级短期和长期依赖关系,对学习更具代表性的药物分子特征表示有积极作用。
-
公开(公告)号:CN117058376A
公开(公告)日:2023-11-14
申请号:CN202310957443.9
申请日:2023-08-01
申请人: 电子科技大学
摘要: 本发明属于脑部影像识别技术领域,尤其是涉及一种基于改进Unet++的脑部影像数据处理方法。本发明首先将脑部MRI的3D影像分为轴位面(横断面)、冠状面和矢状面三个2D面,建立AM‑Unet++(attention module supplementarily‑Unet++)网络,对大脑内的感兴趣区域进行特征提取,引入注意力机制分析,最后通过3D‑CNN融合网络进行信息融合,最终得到3D病灶分割结果。本发明既保留三维影像的空间上下文连贯性,也避免了3D模型运算成本高的问题。
-
公开(公告)号:CN116894178A
公开(公告)日:2023-10-17
申请号:CN202310964702.0
申请日:2023-08-02
申请人: 电子科技大学
IPC分类号: G06F18/213 , G06F18/25 , G06N3/0464 , G06N3/08 , G06Q50/02
摘要: 本发明公开了一种药用作物蒸腾量预测方法、设备和介质,包括以下具体步骤:采集蒸腾量相关环境数据,对数据进行预处理,确定蒸腾量关键影响因子;基于预处理后的数据构建CNN‑W模型和CNN‑S模型,结合蒸腾量关键影响因子确定特征矩阵,CNN‑W模型用于捕获气象环境数据的时间依赖性,CNN‑S模型用于捕获土壤环境数据的时间依赖性;构建全局编码器和局部编码器,基于特征矩阵提取时序特征;对提取的时序特征进行融合,根据融合特征进行蒸腾量预测。通过对时序特征进行融合输出以及后续依赖时间协变量进行特征提取,有效的抓取了时序数据的自相关性,并挖掘蒸腾量与环境影响因子之间的依赖关系,提升了蒸腾量预测的准确率和稳定性。
-
公开(公告)号:CN116759084A
公开(公告)日:2023-09-15
申请号:CN202310641232.4
申请日:2023-06-01
申请人: 电子科技大学
摘要: 本发明属于数据技术处理领域,具体为一种基于DQN网络的肌少症危险因素分析装置。该该装置包括用于采集肌少症的危险因素特征数据的采集装置,用于接收所述肌少症患者危险因素特征数据的计算机,计算机先将mRMR用于特征选择,得到候选特征子集,基于候选特征子集,训练DQN网络,以筛选出肌少症危险因素,在DQN网络训练过程中,引入联合作用分析策略,对可能存在联合作用的特征进行选择,加速了DQN网络的收敛,提高最终得到的危险因素结果的准确性。
-
公开(公告)号:CN116434977A
公开(公告)日:2023-07-14
申请号:CN202310333883.7
申请日:2023-03-31
申请人: 电子科技大学
IPC分类号: G16H70/40 , G16H20/90 , G16H50/70 , G06N3/0464 , G06N3/08
摘要: 本发明公开了一种基于方剂‑症状异构图的中医方剂功效预测方法,首先统计中药的特性特征,进行中药特征初始化,基于多重注意力机制将中药特征进行聚合,初始化方剂特征,再基于已知的方剂‑症状的关联关系矩阵初始化症状特征,并通过编码器进行降维,然后构建方剂‑症状的异构网络,在异构网络中使用图卷积进行特征学习,最后使用最终学习的方剂与症状特征进行功效预测。本发明的方法使用多重注意力机制,对方剂的特征表示更加合理,对症状特征使用编码器降维,提高了训练学习的效率,构建方剂‑症状异构网络,并使用图卷积进行特征学习,可以更加直观高效的预测方剂的功效,提高了方剂功效的预测精度。
-
公开(公告)号:CN114613437B
公开(公告)日:2023-05-26
申请号:CN202210219713.1
申请日:2022-03-08
申请人: 电子科技大学
摘要: 本发明提供了一种基于异构图的miRNA与疾病关联预测方法及系统,属于疾病关联预测技术领域,该方法将已知关联与miRNA相似度、疾病相似度结合构建异构图,首次在异构图上设计了层间具有可变权重的消息传递函数,设计了结合miRNA和疾病相似度的消息聚合函数,经过异构图神经网络的消息聚合,融合了异构图的高阶拓扑特征,得到miRNA和疾病的最终特征向量表示,最后通过归纳矩阵分解得到miRNA疾病关联预测矩阵,并基于miRNA疾病关联预测矩阵预测未知的miRNA与疾病的关联,提升预测结果的可信度。
-
公开(公告)号:CN116092595A
公开(公告)日:2023-05-09
申请号:CN202211411148.5
申请日:2022-11-11
申请人: 电子科技大学
摘要: 本发明属于虚拟筛选技术领域,尤其是涉及一种基于拓扑药效分子图建模和靶标特征解析的虚拟筛选方法。本发明通过拓扑药效分子图建模和靶点的位置得分矩阵解析进行虚拟筛选,预测给定药物和靶点的相互作用情况。首先,发现分子中的关键药效原子,建立拓扑药效分子图,在不改变原始拓扑结构前提下设计图约简的算法得到约简图,再利用图神经网络学习其拓扑知识和药效知识,得到药物分子的特征表示。其次,通过全局、相邻、局部片段的角度解析靶点的位置得分矩阵,学习氨基酸序列的潜在特征信息,得到靶点蛋白的特征表示。然后,基于多核学习的方法学习药物和靶点的特征表示,得到交互特征。最后,基于多层感知机预测药物和靶点的相互作用。
-
-
-
-
-
-
-
-
-