-
公开(公告)号：CN110570909A
公开(公告)日：2019-12-13
申请号：CN201910859461.7
申请日：2019-09-11
Applicant: 华中农业大学
Abstract: 本发明涉及生物信息技术领域，提供了一种人工蜂群优化贝叶斯网络的上位性位点挖掘方法，包括S1-S4四个步骤。本发明的一种人工蜂群优化贝叶斯网络的上位性位点挖掘方法，首先利用扩张、收缩、对称性检测三个阶段，通过条件互信息计算得到节点的马尔可夫毯，构建初始蜜源网络结构，然后，基于初始蜜源通过随机加边、减边、逆转边3种操作生成新的蜜源，直到达到最大初始蜜源数目，利用人工蜂群算法的三种操作(采蜜蜂、观察蜂和侦察蜂)与贝叶斯网络的BIC与MIT打分方法，对贝叶斯网络结构进行演化，找到最优的网络结构，快速准确的获取到影响表型性状的上位性基因位点，辅助基因功能挖掘。
-
公开(公告)号：CN109411023A
公开(公告)日：2019-03-01
申请号：CN201811157185.1
申请日：2018-09-30
Applicant: 华中农业大学
Abstract: 本发明提供一种基于贝叶斯网络推理的基因间交互关系挖掘方法，包括以下步骤：1、利用高斯核概率密度估计量估测熵的方法，计算基因与基因间、基因与表型性状间以及表型与表型性状间互信息；2、利用三阶段依赖分析贝叶斯网络结构学习方法，构建包含基因与表型性状节点的贝叶斯网络；3、利用贝叶斯估计参数学习方法进行参数学习，得到节点间条件概率表；4、利用吉布斯抽样贝叶斯网络近似推理方法计算不同个数的基因与表型性状间条件概率，根据计算结果大小得到影响特定表型性状的基因间交互关系。本发明可以帮助生物学研究者获得影响特定表型性状的上位性基因位点，进而辅助基因功能挖掘，以及为不同物种的复杂数量性状的遗传基础解析提供借鉴。
-
公开(公告)号：CN111833964B
公开(公告)日：2024-10-22
申请号：CN202010592324.4
申请日：2020-06-24
Applicant: 华中农业大学
Abstract: 本发明涉及一种整数线性规划优化贝叶斯网络的上位性位点挖掘方法，包括S1‑S4四个步骤。首先使用条件互信息计算，并经过扩张、收缩和检查一致性三个阶段，得到每个节点的马尔科夫毯，将每个节点的马尔科夫毯作为其候选父节点集，构建每个节点的所有子结构。然后利用可分解的贝叶斯网络打分函数α‑BIC，求得每个子结构的分数。利用可分解贝叶斯网络打分函数的性质，删除一些子结构，得到每个节点筛选后的候选父集及其贝叶斯网络打分。最后根据这些候选父集和分数将构建贝叶斯网络转换成整数线性规划问题，并使用分支定界和割平面两种方法，快速求解得到最高分数的全局最优的包括SNP位点和表型性状的贝叶斯网络，进而实现更有效、更准确的上位性检测。
-
公开(公告)号：CN114925837B
公开(公告)日：2024-04-16
申请号：CN202210294214.9
申请日：2022-03-23
Applicant: 华中农业大学
Abstract: 本发明公开了一种基于混合熵优化互信息的基因调控网络构建方法，该方法包括：根据设置的离散度对基因表达连续型数据进行离散化处理，根据真实概率与James‑Stein估计概率产生的均方误差MSE计算得到收缩强度λ；根据概率与熵值的转换公式，得到James‑Stein估计熵值；通过概率分布的β矩求导简化Dirichlet先验分布下的贝叶斯熵值估计，将两种熵值估计器得到的值转换为互信息矩阵；计算与互信息矩阵类似的Z‑score矩阵，将两个矩阵组合得到初始基因调控网络；根据路径一致算法进行遍历，通过动态阈值对基因调控网络中基因间关系进一步进行筛选，得到最终的基因调控网络。本发明解决了现有技术中构建网络存在大量错误调控关系的问题，得到了更准确的基因调控网络。
-
公开(公告)号：CN117497066A
公开(公告)日：2024-02-02
申请号：CN202311389932.5
申请日：2023-10-24
Applicant: 华中农业大学
Abstract: 本发明公开了一种基于染色质交互高精度预测玉米基因表达量的方法，其特征在于，该方法通过构建的DeepCBA模型实现，包括：对输入染色质序列进行one‑hot编码处理；将编码后的序列输入卷积神经网络，实现特征降维和特征提取。为了捕获序列中的时序特征，利用双向长短期记忆网络捕获隐藏在DNA序列中的时序特征，得到两个向量矩阵，垂直拼接两个向量矩阵。使用注意力机制增强关键特征对模型的贡献，并使用Dropout防止过拟合等。在输出层，使用sigmoid/linear函数完成相应的基于启动子近端和远端染色质交互的玉米基因表达量预测；并识别和挖掘玉米染色质序列中潜在的重要基序。本发明实现了对基因表达量的从头预测，进而为基因表达量精准设计乃至未来智能育种提供了新的思路。
-
Patent Agency Ranking
公开(公告)号：CN114925837A
公开(公告)日：2022-08-19
申请号：CN202210294214.9
申请日：2022-03-23
Applicant: 华中农业大学
Abstract: 本发明公开了一种基于混合熵优化互信息的基因调控网络构建方法，该方法包括：根据设置的离散度对基因表达连续型数据进行离散化处理，根据真实概率与James‑Stein估计概率产生的均方误差MSE计算得到收缩强度λ；根据概率与熵值的转换公式，得到James‑Stein估计熵值；通过概率分布的β矩求导简化Dirichlet先验分布下的贝叶斯熵值估计，将两种熵值估计器得到的值转换为互信息矩阵；计算与互信息矩阵类似的Z‑score矩阵，将两个矩阵组合得到初始基因调控网络；根据路径一致算法进行遍历，通过动态阈值对基因调控网络中基因间关系进一步进行筛选，得到最终的基因调控网络。本发明解决了现有技术中构建网络存在大量错误调控关系的问题，得到了更准确的基因调控网络。
-
公开(公告)号：CN109411023B
公开(公告)日：2022-03-18
申请号：CN201811157185.1
申请日：2018-09-30
Applicant: 华中农业大学
Abstract: 本发明提供一种基于贝叶斯网络推理的基因间交互关系挖掘方法，包括以下步骤：1、利用高斯核概率密度估计量估测熵的方法，计算基因与基因间、基因与表型性状间以及表型与表型性状间互信息；2、利用三阶段依赖分析贝叶斯网络结构学习方法，构建包含基因与表型性状节点的贝叶斯网络；3、利用贝叶斯估计参数学习方法进行参数学习，得到节点间条件概率表；4、利用吉布斯抽样贝叶斯网络近似推理方法计算不同个数的基因与表型性状间条件概率，根据计算结果大小得到影响特定表型性状的基因间交互关系。本发明可以帮助生物学研究者获得影响特定表型性状的上位性基因位点，进而辅助基因功能挖掘，以及为不同物种的复杂数量性状的遗传基础解析提供借鉴。
-
公开(公告)号：CN105278455A
公开(公告)日：2016-01-27
申请号：CN201510811433.X
申请日：2015-11-20
Applicant: 华中农业大学
IPC: G05B19/19
CPC classification number: G05B19/19 , G05B2219/31281
Abstract: 本发明公开了一种基于Gcode的可持续加工操作执行顺序及刀具路径优化方法，该方法包括：步骤1，导入加工工件所需的Gcode文件，并根据原加工操作执行顺序对导入的Gcode文件进行编号；步骤2，读取步骤1中导入的Gcode文件中的刀具名称以及走刀过程中的刀位点坐标；步骤3，采用优化算法对Gcode文件执行顺序进行优化；步骤4，按照步骤3所得的优化执行顺序，对所有Gcode文件进行加工单元划分；步骤5，采用优化算法对各加工单元间的走刀路线进行优化；步骤6，按照步骤3优化所得的执行顺序生成新的Gcode文件，将步骤5优化所得的走刀路线写入到新的Gcode文件中，获得优化后的Gcode文件。本发明对Gcode文件进行了进一步的面向制造能耗的优化，兼顾了制造能耗与制造效率。
-
公开(公告)号：CN119359688A
公开(公告)日：2025-01-24
申请号：CN202411513539.7
申请日：2024-10-28
Applicant: 华中农业大学
IPC: G06T7/00 , G06V10/26 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于人工智能的作物基因型预测全生育期图像的方法。该方法包括作物图像采集、作物图像处理、构建多层感知器神经网络和条件控制生成对抗网络进行训练以学习全生育期的作物基因型、表型及图像的映射关系，并且获得作物基因‑表型预测模型和表型‑图像预测模型，最后通过两个模型，基于待预测作物基因型，预测出该基因调控下，理想环境的作物全生育期可视化结果。该方法基于人工智能技术，构建多维空间多层感知网络和条件控制生成对抗网络，深度利用作物基因、表型和图像大数据中蕴含的映射规律，实现了对作物进行逼真、准确的可视化预测。
-
公开(公告)号：CN118737284A
公开(公告)日：2024-10-01
申请号：CN202410832894.4
申请日：2024-06-26
Applicant: 华中农业大学
IPC: G16B40/00 , G06N3/0464 , G06N3/084 , G06N3/082 , G06N3/0985
Abstract: 本发明公开了一种基于多尺度卷积网络和gMLP预测玉米染色质开放区的方法，通过构建的DeepOCR模型实现，包括：测序得到的玉米染色质开放区域数据经过处理后进行One‑hot编码处理；将编码后的序列输入多尺度卷积网络，利用不同大小的卷积核关注并融合多尺度特征和捕获不同长度的重要基序，并使用Softpool减少特征图中的信息损失；利用Batch Normalization和Dropout防止过拟合现象；利用gMLP捕获DNA序列中的全局依赖关系，并提取更具区分度的特征表示以提高网络性能，增强模型预测的准确性。在输出层，使用全连接函数和Sigmoid函数完成对玉米染色质开放区域的预测。本发明方法预测准确率高，可以为玉米及不同物种不同组织的序列开放保守性和特异性研究提供新参考，具有广泛的应用前景。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.02 seconds)
