公开(公告)号：CN106485096B

公开(公告)日：2019-03-26

申请号：CN201610915233.3

申请日：2016-10-20

Applicant: 中南大学

Inventor： 王建新 ,  兰伟 ,  李敏 ,  罗慧敏

IPC: G16B25/10

Abstract: 本发明公开了一种基于双向随机游走和多标签学习的miRNA‑环境因子关系预测方法。考虑到单一的生物数据的不完整，采用不同的生物数据和不同相似性度量方法分别计算miRNA和环境因子的相似性。另外，为了减少单个相似性度量噪声，本发明引入相似性矩阵融合方法来提高最终的miRNA和环境因子相似性可靠性。在此基础上，采用双向随机游走算法和多标签学习方法来预测潜在的miRNA‑环境因子关系。本发明简单有效，通过与其他方法比较，及在已知数据集上测试表明，该发明在miRNA‑环境因子潜在关系方面具有较好的预测性能。案例分析表明，本发明能够发现一些潜在的环境因子对应miRNA，能为生物学家进行miRNA‑环境因子发现的进一步实验提供有价值的参考信息。

公开(公告)号：CN106485096A

公开(公告)日：2017-03-08

申请号：CN201610915233.3

申请日：2016-10-20

Applicant: 中南大学

Inventor： 王建新 ,  兰伟 ,  李敏 ,  罗慧敏

IPC: G06F19/18

CPC classification number: G06F19/18

Abstract: 本发明公开了一种基于双向随机游走和多标签学习的miRNA-环境因子关系预测方法。考虑到单一的生物数据的不完整，采用不同的生物数据和不同相似性度量方法分别计算miRNA和环境因子的相似性。另外，为了减少单个相似性度量噪声，本发明引入相似性矩阵融合方法来提高最终的miRNA和环境因子相似性可靠性。在此基础上，采用双向随机游走算法和多标签学习方法来预测潜在的miRNA-环境因子关系。本发明简单有效，通过与其他方法比较，及在已知数据集上测试表明，该发明在miRNA-环境因子潜在关系方面具有较好的预测性能。案例分析表明，本发明能够发现一些潜在的环境因子对应miRNA，能为生物学家进行miRNA-环境因子发现的进一步实验提供有价值的参考信息。

公开(公告)号：CN111090764B

公开(公告)日：2023-06-23

申请号：CN201911324397.9

申请日：2019-12-20

Applicant: 中南大学

Inventor： 刘锦 ,  王宇菲 ,  王建新 ,  兰伟

IPC: G06V10/764 ,  G06V10/771 ,  G06V10/25 ,  G06V10/82 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/08 ,  G06V10/80

Abstract: 本发明公开了一种基于多任务学习和图卷积神经网络的影像分类方法及装置，所述方法包括以下步骤：步骤1、分别提取每个影像的特征，每个影像的特征包括其对应的大脑D个感兴趣区域的M种形态学特征；步骤2、将每种形态学特征作为一个任务，其维度为D；基于多任务学习方法进行特征选择，得到每个影像的M种形态学特征向量；步骤3、构建基于图卷积神经网络的分类器，基于影像样本的M种形态学特征向量及其分类标签对分类器进行训练，得到训练好的分类器；步骤4、基于训练好的分类器对未知分类标签的影像进行分类。本发明能够提高影像的分类准确度。

公开(公告)号：CN115798730A

公开(公告)日：2023-03-14

申请号：CN202211472734.0

申请日：2022-11-18

Applicant: 中南大学

Inventor： 卢诚谦 ,  王建新 ,  段桂华 ,  张立身 ,  曾敏 ,  兰伟

IPC: G16H50/70 ,  G16B40/00 ,  G16B20/00 ,  G06F18/22 ,  G06F18/241 ,  G06F18/214 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种基于带权图注意力和异构图神经网络的环状RNA‑疾病关联预测方法、设备和介质，方法：获取数据确定相似性分别构建环状RNA网络、miRNA网络和疾病网络；基于节点初始特征，及网络内部节点间的连接权重，采用带权图注意力机制，分别从环状RNA网络、miRNA网络和疾病网络中提取节点特征；将环状RNA、miRNA和疾病分别作为3种异构节点，根据不同类型节点间的关联建立3种异构边，构建多源异质网络；采用异构图神经网络模型，提取多源异质网络各节点的聚合特征；基于聚合特征预测多源异质网络中潜藏的环状RNA‑疾病关联。本发明有效预测多源数据中潜藏的元路径，提高模型的精准度，且具有稳定的预测性能。

公开(公告)号：CN111090764A

公开(公告)日：2020-05-01

申请号：CN201911324397.9

申请日：2019-12-20

Applicant: 中南大学

Inventor： 刘锦 ,  王宇菲 ,  王建新 ,  兰伟

IPC: G06F16/55 ,  G06F16/583 ,  G06F16/58 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于多任务学习和图卷积神经网络的影像分类方法及装置，所述方法包括以下步骤：步骤1、分别提取每个影像的特征，每个影像的特征包括其对应的大脑D个感兴趣区域的M种形态学特征；步骤2、将每种形态学特征作为一个任务，其维度为D；基于多任务学习方法进行特征选择，得到每个影像的M种形态学特征向量；步骤3、构建基于图卷积神经网络的分类器，基于影像样本的M种形态学特征向量及其分类标签对分类器进行训练，得到训练好的分类器；步骤4、基于训练好的分类器对未知分类标签的影像进行分类。本发明能够提高影像的分类准确度。