-
公开(公告)号：CN119207547B
公开(公告)日：2025-05-09
申请号：CN202411710162.4
申请日：2024-11-27
Applicant: 电子科技大学长三角研究院(衢州)
Abstract: 本发明公开了一种基于鲁棒多核集成方法的药物靶点交互预测方法及其系统，该方法包括，构建目标函数，包括关于预测交互矩阵的损失函数，集成学习项和正则项；以已知交互矩阵、药物相似核矩阵集合和靶点相似核矩阵集合为训练数据训练模型以优化所述的目标函数；所述药物相似核矩阵集合包含待测药物，靶点相似核矩阵集合包含待测靶点；训练结束后，模型输出包含待测药物与待测靶点交互置信度的预测交互矩阵。本方案模型利用多核学习、多视角信息融合以及集成学习策略，结合鲁棒损失函数，通过训练在药物‑靶点相互作用矩阵进行重建，可通过对未知药物‑靶点相互作用的预测，扩展已有的药物靶标数据库。
-
公开(公告)号：CN119810463A
公开(公告)日：2025-04-11
申请号：CN202510292966.5
申请日：2025-03-13
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V10/40 , G06V10/764 , G06N3/0455 , G06N10/60 , G06N3/047 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种基于量子计算操作改进的图像特征提取方法、装置，可被用于图像分类、对象检测、图像分割等下游任务，包括构建适配量子计算操作的ViT模型基础架构，并对ViT模型基础架构进行改进：基于量子随机特性将常规特征转换为量子态表示；利用量子共轭计算和量子态叠加对信息交互的影响在ViT模型的自注意力机制中融入量子态计算；引入量子化的线性条件随机场对ViT模型进行改进；量子态特征增强、量子化自注意力机制优化和量子化线性条件随机场改进共同作用于ViT模型对图像的特征提取过程。实现量子计算与计算机视觉领域的创新性融合，将量子计算的独特优势引入图像特征提取任务中，使其能够更好地应对复杂图像特征提取任务。
-
公开(公告)号：CN119028427A
公开(公告)日：2024-11-26
申请号：CN202410914418.7
申请日：2024-07-09
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G16B15/30 , G16B40/00 , G06N3/0464 , G06N3/0499 , G06N3/048 , G06N3/08
Abstract: 本发明涉及一种预测药物靶标关联关系的方法。它解决了现有技术中药物靶标关联预测方法预测准确度不佳的问题。它包括S1、收集并下载药物和蛋白质结构数据以及关联的交互网络；S2、药物和蛋白质结构数据处理，转换交互网络；S3、从结构数据提取并学习药物结构特征和蛋白质的结构特征；S4、设计协同对比学习策略，计算对比学习损失；S5、设计自适应自步采样策略，获得高可靠度的对比学习样本对；S6、获取药物和蛋白质的最终特征表示，利用MLP预测潜在的药物‑靶标(蛋白质)的交互关系。本发明的优点在于：能够更充分地利用多种交互网络之间的互补性知识，从每个交互网络中学习到一致性更高的特征表示，进而提高药物‑靶标关联关系的预测准确度。
-
公开(公告)号：CN118866122A
公开(公告)日：2024-10-29
申请号：CN202411366869.8
申请日：2024-09-29
Applicant: 电子科技大学长三角研究院(衢州)
Abstract: 本申请实施例提供了通过单细胞Hi‑C生成不同分辨率插补结果的方法和系统，属于人工智能和生物信息学的技术领域。本发明获取若干个单细胞Hi‑C数据文件；对所述单细胞Hi‑C数据文件进行预处理，得到接触矩阵；对所述接触矩阵进行插补，得到插补接触矩阵；将所述插补接触矩阵进行求和操作，得到更新接触矩阵；根据所述更新接触矩阵，得到低分辨率插补信息。本发明解决了需要对原始的单细胞Hi‑C数据在不同分辨率下进行多次插补的问题，提高了对单细胞Hi‑C数据的插补效率，为下游分析提供了更为灵活的选择，在基因组学和转录组学等领域中具有广泛的应用前景，为探索基因组结构与功能的关系提供了强有力的工具。
-
公开(公告)号：CN118658528A
公开(公告)日：2024-09-17
申请号：CN202411139284.2
申请日：2024-08-20
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G16B25/10 , G16B25/00 , G16B40/00 , G06F18/214 , G06N3/0442
Abstract: 本发明涉及模型构建技术领域，具体公开了一种特异性肌红蛋白质预测模型的构建方法，包括如下步骤：从Uniprot数据库获取基准数据集，分别构建计算蛋白质序列的位置特异性打分矩阵、计算蛋白质序列的隐马尔科夫图谱及计算蛋白质序列加权观测矩阵，然后构建获得肌红蛋白质预测模型。本发明提供的模型构建方法获得的模型识别特异性肌红蛋白质的敏感性、特异性和准确率均显著提升。
-
Patent Agency Ranking
公开(公告)号：CN113837293B
公开(公告)日：2024-08-27
申请号：CN202111138369.5
申请日：2021-09-27
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06F18/241 , G06F18/214 , G06N20/20 , G16B30/00
Abstract: 本发明提供了一种mRNA亚细胞定位模型的训练方法包括以下步骤：获取mRNA亚细胞位置序列样本集；根据多种特征提取算法对mRNA亚细胞位置序列样本集进行特征提取，利用基分类器分别对特征识别，并对基分类器一层以上集成，再根据特征提取算法和集成分类器，得到目标mRNA亚细胞定位模型。本发明通过对多个分类器集成学习训练，不但可以提高训练的效率，使得模型在训练过程更容易得到全局最优解，从而得到训练完成后的目标模型会有更优秀的预测能力和泛化能力。
-
公开(公告)号：CN118229620A
公开(公告)日：2024-06-21
申请号：CN202410157763.0
申请日：2024-02-04
Applicant: 电子科技大学长三角研究院(衢州)
Abstract: 基于功能性磁共振成像数据的状态转移概率分布特征提取方法及阿尔茨海默症识别方法，属于脑神经科学技术领域，为了解决现有的阿尔茨海默病诊断方法忽略了局部特异性和时序非平稳性，从而导致识别准确率不佳的问题。本发明首先将一个功能性磁共振成像的数据定义为多变量时间序列数据Ak，并将样本的时间序列数据中的每一个时间片#imgabs0#映射为状态u；然后进行多尺度状态转移概率分布统计，提取到单个脑区状态转移的离散概率分布。然后通过詹森‑香农散度来衡量两个样本之间脑区状态转移概率分布的相似度，进而实现阿尔茨海默症的识别。
-
公开(公告)号：CN117953492A
公开(公告)日：2024-04-30
申请号：CN202311393231.9
申请日：2023-10-24
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V20/69 , G06V10/764 , G06V10/82 , G06V10/44 , G06V10/774 , G06V10/422 , G06N3/045 , G06N3/0464 , G06N3/096
Abstract: 本发明属于生物图像处理技术领域，公开了一种基于迁移学习的弓形虫发育阶段诊断方法及系统，本发明涉及的弓形虫图像特征包括三个不同发育阶段，即速殖子、卵囊和包囊，提出了一种新的基于迁移学习的分类模型和诊断模型。分类模型通过多个预训练的卷积神经网络构建基础模型，利用模型的卷积部分提取图像特征，从而建立迁移学习模型；诊断模型则在弓形虫阳性分类的基础上进一步对不同发育阶段的弓形虫进行诊断，其基础是依据目标检测模型提取的发育阶段图像几何特征，丰富了对寄生虫形态特征的学习，最后通过机器学习确定不同发育阶段的弓形虫。本发明有助于实现对环境卫生和弓形虫感染的检测，为人和动物的疾病预防和控制提供有利的技术支持。
-
公开(公告)号：CN113838524B
公开(公告)日：2024-04-26
申请号：CN202111136267.X
申请日：2021-09-27
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G16B20/30 , G06F18/241 , G06F18/214 , G06F18/25 , G06N3/0442 , G06N3/0895
Abstract: 本发明提供S‑亚硝基化位点预测模型的训练方法，预测方法和装置，包括：获取数据文件，对数据文件进行预处理，得到序列样本；根据特征提取算法对所述序列样本进行特征提取，并将序列特征拼接，得到初始特征集；对所述初始特征集进行平衡处理，并根据重要性对所述序列特征进行筛选，得到目标特征集；根据目标特征集对集成分类算法进行训练，得到目标S‑亚硝基化位点预测模型。本发明通过样本预处理手段，以及通过对特征集的优化，解决了通过试验筛选的方法来鉴别SNO位点却费时费力且代价不菲的技术问题，并且使得训练速度更快，训练完成后的目标S‑亚硝基化位点预测模型能够更加有效且准确的对S‑亚硝基化位点进行预测。
-
公开(公告)号：CN113780416B
公开(公告)日：2024-04-02
申请号：CN202111063272.2
申请日：2021-09-10
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V10/77 , G06V10/771
Abstract: 基于图的特征排序和降维方法，它属于计算机和生物学交叉领域。本发明解决了现有降维方法的通用性差，降维过程费时的问题。本发明集成了多种特征排序方法，利用这些方法之间存在的互补性，这样更有利于挖掘出数据的潜在信息，有利于去除数据的冗余特征，有利于筛选出更有利于建模的特征。将这些算法的结果以图的形式表示，相对于其他算法而言，本发明方法更具有普适性、通用性。使用户不需要去尝试测试不同的降维方法，大大节省了降维所需要的时间。本发明可以应用于计算机和生物学交叉领域。
-
-
-
-
-
-
-
-
-
Search Results
94
records
(took 0.036 seconds)
