-
公开(公告)号：CN110136779B
公开(公告)日：2023-08-29
申请号：CN201910463541.0
申请日：2019-05-30
Applicant: 上海大学
Abstract: 本发明涉及一种生物网络关键差异节点的样本特征提取及预测方法，结合网络拓扑与分子表达特征预测生物网络关键差异节点。特征提取方法具体包括A数据预处理、B提取特征向量、C节点标记和D扩充正样本；预测方法上特征提取的基础上增加E随机森林模型训练和F预测关键节点。本发明可以提取同一细胞在不同状态下的生物网络特征，样本特征的提取可以更有效的利用样本，使得到的训练集更有普适性，该算法对解决问题具有更强的泛化能力。
-
公开(公告)号：CN111816246A
公开(公告)日：2020-10-23
申请号：CN202010461333.X
申请日：2020-05-27
Applicant: 上海大学
Abstract: 本发明公开了一种识别差异网络中驱动基因的方法，其特征在于：给定两个代表两种生物状态的基因调控网络，首先量化网络中边的不确定性，然后计算网络中任意两个节点之间最强且最稳定的调控关系，再后将节点特征化表示为网络流的分布，最后量化每个基因在两个网络中的网络流分布差异以识别驱动基因。该方法区别于其他已有的差异网络分析方法，其主要贡献在于结合了网络流和信息熵来刻画网络拓扑的差异。这种结合的优势在于能够量化基因调控网络中边的不确定性，同时能够捕获网络中全面的拓扑特征(局部和全局、线性和非线性特征)，因此，能够达到更高的驱动基因识别准确性和健壮性。
-
公开(公告)号：CN110136779A
公开(公告)日：2019-08-16
申请号：CN201910463541.0
申请日：2019-05-30
Applicant: 上海大学
Abstract: 本发明涉及一种生物网络关键差异节点的样本特征提取及预测方法，结合网络拓扑与分子表达特征预测生物网络关键差异节点。特征提取方法具体包括A数据预处理、B提取特征向量、C节点标记和D扩充正样本；预测方法上特征提取的基础上增加E随机森林模型训练和F预测关键节点。本发明可以提取同一细胞在不同状态下的生物网络特征，样本特征的提取可以更有效的利用样本，使得到的训练集更有普适性，该算法对解决问题具有更强的泛化能力。
-
Patent Agency Ranking
公开(公告)号：CN101719194B
公开(公告)日：2011-08-10
申请号：CN200910199849.5
申请日：2009-12-03
Applicant: 上海大学
IPC: G06F19/12
Abstract: 本发明公开了一种人工基因调控网络的模拟方法，该方法步骤如下：A、根据真实基因调控网络的拓扑特性，构建具有全局稳定不动点的骨架网络；B、将骨架网络中的节点和边进行随机拆分；C、在骨架网络上增加新的节点：D、在新的节点的上产生新的边；E、设定模拟的网络规模，网络中包含R个节点，重复步骤C-D，产生新的节点和新的边，使人工基因调控网络增大，每重复一次，统计一次网络的节点数，直到网络增大到设定的网络规模为止。该方法具有很强的针对性和生物信息学应用性；模拟产生的人工基因调控网络具有动力学稳定性；为基因调控网络构建算法的性能测试提供了多样化人工基因调控网络，为系统生物领域的研究人员提供了新的基因网络模拟工具。
-
公开(公告)号：CN101719195B
公开(公告)日：2011-07-20
申请号：CN200910199850.8
申请日：2009-12-03
Applicant: 上海大学
IPC: G06F19/12
Abstract: 本发明公开了一种逐步回归基因调控网络的推断方法，该方法步骤如下：A.读取基因表达数据矩阵和基因扰动数据矩阵；B.确定基因表达数据矩阵和基因扰动数据矩阵是否均为标准化数据；C.对基因表达数据矩阵和基因扰动数据据矩阵分别进行数据归一化均构成标准化数据；D.分析标准化数据，计算所有基因间相关系数矩阵；E.将基因间相关系数矩阵可视化成网络，得到基因调控网络图。该方法能进行最优回归子集的选择，1.因此解决了高维小样本实验数据的问题；2.为目标基因逐步选择最具显著影响的调控子，符合了基因调控网络的真实情况；3.随着基因调控网络规模的增大和网络稀疏度的增加，在计算精度、计算效率上均优于同类方法。
-
公开(公告)号：CN117237724A
公开(公告)日：2023-12-15
申请号：CN202311208286.8
申请日：2023-09-18
Applicant: 上海大学
IPC: G06V10/764 , G06V10/778 , G06V10/24 , G06V10/774 , G16H30/00
Abstract: 本发明公开了一种基于特权信息的颈动脉斑块回声分类双路蒸馏框架，引入热力图标签和根据斑块关键点标注在颈动脉超声原图中裁剪产生的斑块区域高清图像(High‑resolution Image of Plaque Region Based on Keypoint Annotation,HRIPR‑A)作为特权信息，建立能直接使用特权信息的老师模型，以及不能直接使用特权信息的双路径结构的学生模型，并使用混合蒸馏方式将特权信息中的知识传递给学生模型。该方法可以缓解超声影像中斑块大小较小而带来的斑块特征提取困难，有效保留斑块区域细节信息，提升关键点标注利用效率，能用于单斑块的颈动脉超声图像的回声分类。
-
公开(公告)号：CN115381492A
公开(公告)日：2022-11-25
申请号：CN202211019946.3
申请日：2022-08-24
Applicant: 上海大学
IPC: A61B8/08 , G06V10/764
Abstract: 本发明公开了于超声视频的颈动脉斑块跟踪和回声分类框架及方法，将多尺度空洞编码器、内外特征解耦器和跟踪网络组成颈动脉斑块跟踪框架，基于特征重组和双通道3D‑Attention框架建立颈动脉斑块回声分类框架；超声视频图像输入跟踪框架定位斑块位置，基于特征重组选取斑块轮廓作为回声分类框架的局部特征输入，原超声视频图像作为回声分类框架的全局特征输入。该跟踪和分类框架结合特征层次级融合、多尺度上下文时序特征提取、三维注意力机制等深度学习技术，不仅针对性的解决了颈动脉超声视频中超声切面间状态的变化带来的优化问题，且充分结合了斑块的上下文特征和血管环境特征，让反映斑块不稳定性的每一类状态对应的特征都得到了充分体现。
-
公开(公告)号：CN102902896B
公开(公告)日：2016-02-17
申请号：CN201210358669.9
申请日：2012-09-25
Applicant: 上海大学
IPC: G06F19/24
Abstract: 本发明公开了基于专家知识与拓扑相似的邻居优先生物分子子网搜索方法。其步骤如下：A、根据生物分子的序列特征，构建网络T（Gt）和B（GB）中生物分子的初始相似矩阵 。B、根据生物分子在网络中的拓扑的相似特征，计算生物分子的相似矩阵S。C、构建专家知识字典。D、基于专家知识，以邻居优先策略进行搜索，获得结果子网。E、计算结果子网R（Gr）与目标子网T（Gt）的相似得分。F、计算p值。G、结果子网可视化。与同类方法相比，该方法计算准确度更高，具有更高的稳定性，能更好地处理生物分子网络间的“空隙”（Gap），获得更多的保守边和节点，且能较好地反映生物分子网络之间的变化情况。
-
-
-
-
-
-
-
Search Results
28
records
(took 0.023 seconds)
