公开(公告)号：CN118965148A

公开(公告)日：2024-11-15

申请号：CN202410920529.9

申请日：2024-07-10

Applicant: 之江实验室 ,  杭州电子科技大学

Inventor： 徐平 ,  李世文 ,  翁琳 ,  李在芳 ,  徐鼎骋 ,  吴俊欧

IPC: G06F18/2415 ,  G06F18/213 ,  G06N3/0455 ,  G06N3/048

Abstract: 本发明公开了一种质谱成像数据智能特征选择方法，包括获取质谱成像数据并进行预处理；建立变分自编码器模型，用于提取质谱成像数据的特征；在变分自编码器模型的基础上，建立一个全连接分类器，该分类器包括若干个全连接层和一个输出层，其中第一个全连接层连接变分自编码器模型最中间的隐藏层；使用预处理的质谱成像数据训练变分自编码器模型，训练好后，再使用提取的质谱成像数据特征及其对应的类别标签训练全连接分类器；根据变分自编码器最中间的隐藏层结果，逐神经元遍历，反向获得输入层的特征，实现特征选择。本发明所构建的基于变分自编码器网络和全连接分类网络的质谱成像数据特征选择方法，可以实现特征有效选择。

公开(公告)号：CN120048383A

公开(公告)日：2025-05-27

申请号：CN202510124830.3

申请日：2025-01-26

Applicant: 杭州电子科技大学

Inventor： 徐平 ,  李世文 ,  薛凌云 ,  闻路红 ,  刘亦安 ,  严明 ,  胡舜迪 ,  陈安琪

IPC: G16C20/20 ,  G16C20/70 ,  G06F18/213 ,  G06F18/214 ,  G06F18/25 ,  G06N3/0464

Abstract: 本发明公开一种基于CNN和Transformer网络特征融合的分子指纹预测方法及其系统。该方法先获取化合物的质谱数据、前体离子、SMILES构成数据集，划分训练集和测试集；接着构建包含Transformer特征提取模型、CNN特征提取模型、融合网络的融合模型并训练和测试；最后用训练和测试好的模型进行预测分子指纹。Transformer模型负责提取全局分子指纹特征，CNN模型提取局部分子指纹特征，融合网络将两者特征融合后经MLP预测。本发明从整体和局部不同视角全面捕捉分子信息，弥补了单一模型在特征提取上的缺陷，显著提升了分子指纹预测的精度。