公开(公告)号：CN110535529A

公开(公告)日：2019-12-03

申请号：CN201910812734.2

申请日：2019-08-30

Applicant: 湖南工业大学

Inventor： 陈青辉 ,  文鸿 ,  邓锐 ,  陈明 ,  耿康 ,  宗铁柱 ,  彭利红

IPC: H04B10/116 ,  H04B10/516 ,  H04B10/61

Abstract: 一种基于OCC系统的二维星座辅助CSK传输系统，包括信号发射端和信号接收端，所述信号发射端依次连接有数据编码模块、调制模块、符号转换模块、分割处理模块、插入模块、发射信号处理模块，所述信号接收端依次连接有接收信号处理模块、解调模块；所述接收信号处理模块接收光信号，采用智能手机存储接收可见LED发射器发射的信息，实现光电转换。本发明可提高信号传输频谱效率，从而降低光学通信系统成本，在低水平照明，短距离传输以及在没有均衡的情况下，仍然可以降低误码率和提高传输速率。

公开(公告)号：CN119446273A

公开(公告)日：2025-02-14

申请号：CN202411293891.4

申请日：2024-09-14

Applicant: 湖南工业大学

Inventor： 彭利红 ,  阳龙 ,  周立前 ,  刘鑫

IPC: G16B40/00 ,  G06F18/23213 ,  G06F18/15 ,  G16B25/00

Abstract: 本发明公开了一种基于具有可靠增强与冗余减少策略的图对比学习空间转录组聚类方法。本发明首先对ST数据进行预处理，通过空间上下文信息建立空间邻接矩阵。接着，通过整合基因表达和邻接矩阵建立无向图，并使用图拉普拉斯矩阵进行平滑表示。随后，通过可逆网络生成可靠的增强视图，基于编码器与多头注意力机制的嵌入特征学习，通过冗余减少策略减少冗余信息，以及K‑means聚类，对ST数据进行聚类。最后，还进行了下游分析，包括SVGs和DEGs识别以及轨迹和伪时间推断。本发明通过可逆网络和减少冗余策略有助于提高模型聚类能力，解决了现有未区分噪声边缘，所识别的空间域之间存在交叉部分，从而导致聚类效果降低问题。

公开(公告)号：CN117672349A

公开(公告)日：2024-03-08

申请号：CN202311150527.8

申请日：2023-09-06

Applicant: 湖南工业大学

Inventor： 彭利红 ,  黄亮亮 ,  刘龙龙 ,  周立前

IPC: G16B15/30 ,  G16B40/00 ,  G16B45/00 ,  G16B30/00 ,  G06N3/042 ,  G06N3/0455 ,  G06N3/09

Abstract: 本发明公开了一种肿瘤细胞通信预测方法，包括以下步骤：特征提取与数据处理，配体‑受体相互作用预测，构建基于图自编码器与深度神经网络的集成模型，根据配体‑受体对的生物特征进行编码和解码操作得到配体‑受体相互作用概率，以此进行分类预测，细胞通信预测，对人类黑色素瘤组织和人类结直肠癌组织细胞通信可视化，本发明是基于图自编码器的配体‑受体相互作用预测模型与传统的深度神经网络模型集成支持用户使用个人收集的数据集进行模型训练，并且图神经网络能够很好的实现配体‑受体关联预测，性能优势明显；且本专利结合表达乘积法和表达阈值法，能够很好的考虑多种情况，较为全面。

公开(公告)号：CN115910212A

公开(公告)日：2023-04-04

申请号：CN202211217739.9

申请日：2022-09-30

Applicant: 湖南工业大学

Inventor： 彭利红 ,  阳龙 ,  谭经纬 ,  周立前

IPC: G16B35/20 ,  G16B40/00 ,  G16B45/00 ,  G16B50/00 ,  G06N3/0442 ,  G06N3/08

Abstract: 本发明公开了一种分析配体‑受体相互作用介导的细胞通讯方法，首先收集多个配体‑受体相互作用数据集，其次通过一种结合了异构牛顿Boosting模型和深度神经网络的异构深度集成模型来筛选识别潜在的配体‑受体相互作用，第三基于单细胞转录组数据对组织中已知和预测到的配体‑受体相互作用进行过滤，第四基于过滤后的配体‑受体相互作用和表达阈值法、表达乘积法和联合评分策略预测细胞通讯，最后对细胞通讯结果可视化，该框架进一步应用于分析人类黑色素瘤组织和头颈部鳞状细胞癌组织中的细胞通讯，本发明有助于肿瘤微环境中的细胞通讯预测，并进一步帮助抗癌药物设计和肿瘤靶向治疗。

公开(公告)号：CN115691819A

公开(公告)日：2023-02-03

申请号：CN202211213872.7

申请日：2022-09-30

Applicant: 湖南工业大学

Inventor： 彭利红 ,  白宗正 ,  袁儒雅 ,  周立前

IPC: G16H50/70 ,  G16H50/20 ,  G06N3/00 ,  G06N3/045 ,  G06N3/047 ,  G06N3/08 ,  G06F18/2431 ,  G06F18/2415 ,  G06F18/214

Abstract: 本发明公开了一种基于异构深度集成模型的细胞通讯预测方法，首先收集多个配体‑受体相互作用数据集，其次通过一种结合了LRI‑AdaCNN和LRI‑LightGBM的异构深度集成模型来筛选配体‑受体相互作用数据，第三整合特定肿瘤微环境下的单细胞RNA测序数据对组织中已知和预测到的配体‑受体进行过滤，第四基于表达乘积法、特异性表达法和细胞表达法预测细胞通讯强度，最后对细胞通讯结果可视化，该方法解决了现有技术在细胞通讯预测过程中存在的配体‑受体相互作用数据不充分的问题，并进一步应用于分析人类头颈部鳞状细胞癌组织和人类结直肠癌组织中的细胞通讯研究，有助于癌症诊断与治疗。

公开(公告)号：CN113313167B

公开(公告)日：2022-05-31

申请号：CN202110592443.4

申请日：2021-05-28

Applicant: 湖南工业大学

Inventor： 彭利红 ,  王畅 ,  周立前 ,  田雄飞

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G16B5/00 ,  G16B40/00

Abstract: 本发明涉及一种基于深度学习的双神经网络结构预测lncRNA－蛋白质相互作用方法。首先，LPI特征提取：先获取已知的lncRNA序列、蛋白质序列，分别用Pyfeat和BioTriangle提取lncRNA和蛋白质的特征；然后，特征降维：基于主成分分析(PCA)分别对lncRNA和蛋白质原始特征进行降维，在降维之后将这些特征连接成一个向量；其次，建立LPI预测框架模型：建立由FIR网络和MLP网络组成的双神经网络结构的深度学习模型；最后，利用双神经网络结构对未知lncRNA‑蛋白质对进行分类。本发明比利用实验手段探测大规模的lncRNA‑蛋白质交互作用耗时更少，费用更低，可以实现对多个数据集进行训练和测试，预测偏差小，预测性能好，预测结果准确，并可以用于寻找新的lncRNA‑蛋白质关联对。

公开(公告)号：CN112652355A

公开(公告)日：2021-04-13

申请号：CN202011423290.2

申请日：2020-12-08

Applicant: 湖南工业大学

Inventor： 彭利红 ,  田雄飞 ,  周立前 ,  王娟娟

IPC: G16B5/00 ,  G16B15/30 ,  G16B30/10 ,  G16B40/00 ,  G06F17/16

Abstract: 本发明提出了一种基于深度森林和PU学习的药物‑靶标关系预测方法,包括以下步骤：S1、获取药物的结构信息、靶标的序列信息和已知的药物‑靶标关系；S2、基于药物结构信息和靶标序列信息分别构建药物之间的相似性矩阵和靶标之间的相似性矩阵；S3、采用PU学习来筛选潜在的药物‑靶标负相关关系；S4、基于相似的药物共享相似的靶标的假设，使用深度森林模型对药物‑靶标关系进行预测。本发明能够更准确的预测药物‑靶标关系，能够减少生物实验所需的时间和资源，为药物发现和药物重定位提供了研究基础。