-
公开(公告)号：CN111521803A
公开(公告)日：2020-08-11
申请号：CN202010412502.0
申请日：2020-05-15
Applicant: 华南理工大学
IPC: G01N33/574 , G01N33/569 , G01N33/543 , G01N33/68
Abstract: 本发明公开了一种蛋白探针及其在评估抗原抗体特异结合上的应用，所述蛋白探针的制备方法包括以下步骤：将机械探针针尖表面利用化学分子做修饰后，将探针针尖表面的化学基团与连接分子的一端共价键结合，连接分子的另一端则与蛋白共价键结合，从而形成具有特异性的蛋白探针；所述的蛋白是抗原蛋白或抗体蛋白。本发明根据不同的肿瘤(或病毒)类型研制特定的抗体(或抗原)蛋白探针，在选定的待检组织样本上，使蛋白探针上的抗体(或抗原)蛋白与待测样本上的肿瘤标志物(或病毒)结合，这个过程对样本制备要求简单，且操作简便，用时短。
-
公开(公告)号：CN110765844B
公开(公告)日：2023-05-26
申请号：CN201910828167.X
申请日：2019-09-03
Applicant: 华南理工大学
IPC: G06V20/68 , G06V10/25 , G06V10/26 , G06V10/28 , G06V10/44 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/0895 , G06N3/094
Abstract: 本发明公开了一种基于对抗学习的非感应式餐盘图像数据自动标注方法，包括以下步骤：S1、输入原始的无标注数据图像样本，自动获取初步的标注标签；S2、从S1得到的标注标签里面自动筛选真实标签，构成待标注数据集；S3、构建卷积神经网络，定义对应的损失函数；所述卷积神经网络主要由目标检测网络和判别器网络构成；S4、对卷积神经网络进行半监督训练，并设计候选框选策略；S5、将完全无标注的数据输入到训练好的卷积神经网络，自动获得标签。本发明以对抗学习的方式利用少量的标注数据进行训练，充分利用已标记样本和未标记样本之间的联系构造标注模型，大大减少了人工标注的巨大工作量和人力成本。
-
公开(公告)号：CN110765844A
公开(公告)日：2020-02-07
申请号：CN201910828167.X
申请日：2019-09-03
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于对抗学习的非感应式餐盘图像数据自动标注方法，包括以下步骤：S1、输入原始的无标注数据图像样本，自动获取初步的标注标签；S2、从S1得到的标注标签里面自动筛选真实标签，构成待标注数据集；S3、构建卷积神经网络，定义对应的损失函数；所述卷积神经网络主要由目标检测网络和判别器网络构成；S4、对卷积神经网络进行半监督训练，并设计候选框选策略；S5、将完全无标注的数据输入到训练好的卷积神经网络，自动获得标签。本发明以对抗学习的方式利用少量的标注数据进行训练，充分利用已标记样本和未标记样本之间的联系构造标注模型，大大减少了人工标注的巨大工作量和人力成本。
-
公开(公告)号：CN111693695A
公开(公告)日：2020-09-22
申请号：CN202010411710.9
申请日：2020-05-15
Applicant: 华南理工大学
IPC: G01N33/574 , G01N33/569 , G01N33/53 , G01Q60/24 , G01Q60/38
Abstract: 本发明公开了一种抗原与抗体蛋白结合动态作用过程信号采集及处理方法，对于被测生物样本中存在的蛋白标志物，让其与对应的蛋白发生抗原抗体特异性结合反应，利用力学特性测量平台将抗原与抗体蛋白结合动态作用过程中产生的特异性结合信号进行量化处理，将特异性结合信号转换成可识别的量化信号；基于量化信号进行分析，以此获得抗原抗体蛋白特异性结合状态。本发明可以快速、精准地采集与处理生物样本上的抗原抗体结合动态作用过程的特异性结合信号。
-
-
-
Search Results
4
records
(took 0.016 seconds)
