公开(公告)号：CN114420310B

公开(公告)日：2024-11-12

申请号：CN202210063363.4

申请日：2022-01-18

Applicant: 河南大学

Inventor： 罗慧敏 ,  索志豪 ,  阎朝坤 ,  张戈 ,  王建林

IPC: G16H70/40 ,  G16C20/90 ,  G16C20/70 ,  G16B15/30 ,  G16B40/00 ,  G16B50/30

Abstract: 本发明公开了一种基于图转换网络的药物ATC Code预测方法即DACPGTN，首先，获取与药物相关的靶标蛋白质与疾病，通过基于不同评价标准下的药物相互作用信息，得到7种药物相似性，并查找或计算与药物关联的靶标蛋白质、疾病相似性信息，将相似性信息作为特征，共同构建相应的复合特征矩阵，其次，考虑引入药物、靶标蛋白质、疾病三种实体间存在的已知关联信息，构建代表多个不同边关系的异构图，并使用图转化网络中Graph Transformer Layer，学习多个异构邻接矩阵的关联信息，从而学习到药物‑靶标蛋白质‑疾病之间的潜在多重关联图结构，最终将Graph Transformer Layer得到的关联信息图结构，与药物‑靶标蛋白质‑疾病复合特征矩阵，一起输入到端对端预测模块中进行学习，做出最终药物ATC Code预测；本发明简单有效，通过与其他方法比较，及在数据集上测试表明，该发明在药物ATC Code预测方面具有较好的性能。

公开(公告)号：CN118629494A

公开(公告)日：2024-09-10

申请号：CN202410666750.6

申请日：2024-05-23

Applicant: 河南大学

Inventor： 阎朝坤 ,  柴立轩 ,  罗慧敏 ,  张戈 ,  王建林

IPC: G16B20/30 ,  G16B40/20 ,  G06N3/0455 ,  G06N3/09

Abstract: 本发明提供一种基于Transformer的基因组预测方法。该方法包括：步骤1：获取原始SNP位点数据集；步骤2：采用堆叠策略对原始SNP位点数据集进行特征选择得到特征子集#imgabs0#步骤3：对所述特征子集#imgabs1#中的所有SNP位点进行编码，得到编码矩阵；步骤4：将所述编码矩阵输入至训练好的表型预测模型，预测得到表型值；其中，所述表型预测模型包括Transformer网络和回归预测模块；其中，所述Transformer网络根据输入的编码矩阵获取SNP位点之间的潜在关联信息；所述回归预测模块根据SNP位点之间的潜在关联信息预测得到表型值。本发明通过特征选择在降低计算成本的同时提升表型预测准确率。

公开(公告)号：CN110110753B

公开(公告)日：2023-08-25

申请号：CN201910266518.2

申请日：2019-04-03

Applicant: 河南大学

Inventor： 阎朝坤 ,  罗慧敏 ,  张戈 ,  马敬敬 ,  王建林

IPC: G06F18/2111 ,  G06F18/2115 ,  G06F18/24 ,  G16H50/70

Abstract: 本发明提供一种基于精英花授粉算法和ReliefF的有效混合特征选择方法。该方法包括：步骤1、采用基于ReliefF特征排序和随机化的双初始种群策略对由M个个体组成的种群进行初始化；步骤2、采用二元精英花授粉算法更新种群，并计算种群中每个个体的适应度值，得到种群中的全局最优解；步骤3、采用禁忌搜索算法搜索全局最优解的邻域确定候选解，并根据候选解的适应度值更新禁忌表；步骤4、在禁忌表中选取适应度值最大的个体作为精英个体，将精英个体替换种群中适应度值最小的个体，形成新的种群；步骤5、以步骤2至步骤4作为一次迭代，重复进行步骤2至步骤4，直至当前迭代次数达到设定的迭代次数。本发明与其他特征选择方法相比可获得高分类精确度。

公开(公告)号：CN116364171A

公开(公告)日：2023-06-30

申请号：CN202310200920.7

申请日：2023-03-03

Applicant: 河南大学

Inventor： 罗慧敏 ,  朱春丽

IPC: G16B15/30 ,  G16H70/40 ,  G06N3/08 ,  G06N3/0464

Abstract: 本发明涉及生物信息学技术领域，具体涉及基于强化对称度量学习和图卷积网络的药物重定位方法，该方法包括：通过整合药物和疾病的关联及生物医学信息构建药物‑疾病异构网络。该异构网络包含药物‑药物相似性网络，疾病‑疾病相似性网络和药物‑疾病关联网络。应用图卷积网络学习药物和疾病的节点特征，预测潜在的药物‑疾病关联，以补充缺失的药物‑疾病关联信息。利用带有自适应边际的强化对称度量学习方法，学习药物和疾病的潜在向量表示，考虑了以药物为中心和疾病为中心的对称学习。基于在统一的度量向量空间中学习的潜在向量表示，通过度量函数识别新的药物‑疾病关联。本发明简单有效，在药物重定位预测方面具有较好的性能。

公开(公告)号：CN111414935A

公开(公告)日：2020-07-14

申请号：CN202010087954.6

申请日：2020-02-12

Applicant: 河南大学

Inventor： 阎朝坤 ,  吴彬 ,  侯金翠 ,  罗慧敏 ,  王建林

IPC: G06K9/62

Abstract: 本发明提供一种基于卡方检测算法和改进的果蝇优化算法的有效混合特征选择方法。该方法包括：步骤1、采用基于卡方检测算法特征排序策略对种群中的M个个体进行随机初始化；步骤2、采用设定的适应度函数计算所述种群中每个个体的适应度值，将种群中适应度值最大的个体所表示的解作为全局最优解；步骤3、采用改进的果蝇优化算法更新所述种群中的个体，并更新种群中每个个体的适应度值，更新种群中的全局最优解；步骤4、以步骤3作为一次迭代，重复进行步骤3，直至当前迭代次数达到设定的迭代次数。与其他特征选择方法相比，本发明用更少的特征可获得更高分类精确度。

公开(公告)号：CN110837884A

公开(公告)日：2020-02-25

申请号：CN201911041662.2

申请日：2019-10-30

Applicant: 河南大学

Inventor： 张戈 ,  王建林 ,  阎朝坤 ,  侯金翠 ,  罗慧敏

IPC: G06N3/00 ,  G16B25/00

Abstract: 本发明提供一种基于改进的二元磷虾群算法和信息增益算法的有效混合特征选择方法。该算法包括：步骤1、采用基于信息增益算法的特征排序策略对种群中的N个个体进行随机初始化；步骤2、采用设定的适应度函数计算所述种群中每个个体的适应度值，将种群中适应度值最大的个体所表示的解作为种群中的全局最优解；步骤3、使用改进的二元磷虾群算法更新种群，并更新种群中每个个体的适应度值，更新种群中的全局最优解；步骤4、以步骤3作为一次迭代，重复进行步骤3，直至当前迭代次数达到设定的迭代次数。通过10-折交叉在九个公开生物医学数据集上测试验证，本发明可以有效地简化基因表达水平的数量，并且与其他特征选择方法相比获得高分类准确度。