-
公开(公告)号：CN120015117A
公开(公告)日：2025-05-16
申请号：CN202510053111.7
申请日：2025-01-13
Applicant: 南京工业大学
IPC: G16B25/10 , G16B40/00 , G06N3/0895 , G06N3/094 , G06N3/096 , G06N3/0455 , G06F18/213 , G06F18/241 , G06N3/098
Abstract: 本发明涉及深度学习技术领域，是一种深度学习技术在药物研发中的应用，具体涉及一种基于半监督迁移学习的单细胞药物敏感度预测算法，包括：数据预处理、有标签数据药物敏感度预测、基于半监督的域适应，无标签数据药物敏感度预测。本发明首次将基于半监督的域自适应应用到预测单细胞药物敏感度问题上，并结合对抗训练构建模型，在预测单细胞药物敏感度上取得了不错的效果，用于相关的肿瘤异质性研究中，为实验人员提供一定的参考，用于节省人力物力，减少实验成本。
-
公开(公告)号：CN118983110A
公开(公告)日：2024-11-19
申请号：CN202411109764.4
申请日：2024-08-13
Applicant: 南京工业大学
IPC: G16H70/40 , G16C20/30 , G16C20/70 , G06N3/0499 , G06N3/094
Abstract: 在癌症治疗中，预测药物响应是个重要且具有挑战性的任务。由于细胞系的数据多，而单细胞或病人的数据相对匮乏，使得传统借助细胞系或病人数据来做域迁移或域适应之类的方法存在一定的局限性，特别当缺少某个癌种的单细胞(或病人)数据时，那我们就完全无法将细胞系上学习到的知识迁移到待分类的目标数据上，为填补这一方面的空缺，我们提出一种基于对抗学习方法的域泛化模型，旨在通过消除不同域间的分布差异来提高模型的通用性。我们的模型通过梯度反转将来自不同域的数据进行对抗学习，使得这些数据在嵌入空间中与药物响应无关的那一部分信息被模糊。为实现这一目标，我们借助潜在独立因子编码，让每一个维度的特征都与某一个特定周期的正弦波做线性组合，以确保分类任务与对抗学习间的任务是相互独立的。在实验部分，我们使用了公共数据源的数据，分别进行了细胞系、单细胞和肿瘤病人的药物响应预测实验。结果表明，我们提出的域泛化理论是可靠的。
-
公开(公告)号：CN117612729A
公开(公告)日：2024-02-27
申请号：CN202311577298.8
申请日：2023-11-23
Applicant: 南京工业大学
Abstract: 一种基于临床化验指标预判胡蜂蛰伤病人轻症或重症的方法，其目的是得到由胡蜂蛰伤临床测量指标判断症状轻重的预测值。具体实现时，首先，收集一个包含相关特征和目标变量的数据集，利用每个病人的血常规、肝功、肾功以及心肌酶的关联特征的量值，将这些量值作为每个病人的一个特征集，专业医生提供轻重症标签，目标变量表示症状的严重程度，可以分为轻或重症；定义XGBoost模型和设置模型的参数，然后将XGBoost模型拟合到训练数据上，在训练过程中，模型将迭代地构建决策树以最小化指定的损失函数；接下来，使用训练好的模型对测试数据进行预测，绘制ROC曲线；进而在实际预测时，输入病人对应的特征数据后得到对应的症状预测值。
-
公开(公告)号：CN115810399A
公开(公告)日：2023-03-17
申请号：CN202211451767.7
申请日：2022-11-21
Applicant: 南京工业大学
IPC: G16B40/00 , G16B20/00 , G06F18/24 , G06F18/214
Abstract: 一种肺腺癌组织学亚型的分析方法，是由转录模式揭示，步骤包括：肺腺癌不同组织学模式的样本间进行差异分析，得到模式间显著差异基因；差异基因与免疫基因集取交集，得到免疫相关差异基因；对免疫相关差异基因进行GO和KEGG通路富集分析，得到基因显著富集的生物通路，进一步筛选得到38个组织学模式免疫特征基因。一种揭示肿瘤组织学亚型的方法，由38个组织学模式免疫特征基因的转录组揭示L组织学亚型、P&A组织学亚型和S组织学亚型。一种基于转录模式的肺腺癌肿瘤组织学亚型的分类模型，是由多层感知器构建；38个组织学模式免疫特征基因转录组表达量作为分类模型的输入，经过隐藏层，输出L、P&A和S三种组织学模式分类。
-
公开(公告)号：CN114882008A
公开(公告)日：2022-08-09
申请号：CN202210643105.3
申请日：2022-06-09
Applicant: 南京工业大学
Inventor： 刘辉
Abstract: 一种基于病理图像特征检测肿瘤驱动基因差异表达算法，包括步骤：1)病理图像的分割与过滤：选用癌症基因组图谱TCGA数据集中的组织切片；使用Ostu算法来检测所选区域是否存在组织细胞，用以区分背景区域；随后把组织切片slide分割成能够被模型计算的若干图块patch；2)基于对比学习的预训练：使用ResNet50作为图块编码器，在对比学习框架下进行预训练，并在计算后对patch‑level特征进行聚合，获得slide‑level特征；3)预测：预测任务使用全连接层进行预测，通过均方误差损失函数预测肿瘤驱动基因差异表达水平。
-
Patent Agency Ranking
公开(公告)号：CN119851746A
公开(公告)日：2025-04-18
申请号：CN202411864158.3
申请日：2024-12-17
Applicant: 南京工业大学
IPC: G16B5/00 , G16B20/00 , G16B30/00 , G06F18/213 , G06F18/25 , G06F18/10 , G06N3/092 , G06N3/0464 , G06N3/0442
Abstract: 本发明提出了一种基于多模态强化学习的单细胞药物敏感性预测算法，旨在解决传统药物敏感性预测方法准确性受限的问题。该系统通过集成多模态生物信息学数据，包括细胞系基因表达数据、蛋白质组数据、代谢组数据、药物反应数据以及单细胞RNA测序数据，并利用深度强化学习技术进行特征提取、融合与选择，实现了对单细胞药物敏感性的高精度预测。本算法主要包括五个核心模块：多模态数据集成与预处理模块、深度强化学习特征提取与融合模块、动态特征选择与重要性评估模块、跨域迁移与自适应学习模块以及深度强化学习预测模型与性能优化模块。这些模块协同工作，能够从多模态数据中自动学习潜在特征，优化特征融合策略，动态选择关键特征子集，并根据目标域数据的特性自适应调整模型结构和参数，从而显著提高预测的准确性和稳定性。实验结果表明，本算法在多个评估指标上均表现出显著优势，与传统预测方法相比，具有更高的预测准确性和更广泛的适用性。因此，本发明为个性化医疗和药物研发领域提供了一种新的、高效的药物敏感性预测工具，具有重要的实际应用价值。
-
公开(公告)号：CN117497059A
公开(公告)日：2024-02-02
申请号：CN202311514891.8
申请日：2023-11-15
Applicant: 南京工业大学
Abstract: 一种基于单细胞空间转录图谱的肺腺癌预后分子筛选方法，通过生物信息学方法整合分析肺腺癌组织学模式lepidic和solid的单细胞测序和高通量测序数据，得到预后分子NECTIN2和PVR，并使用多重免疫荧光实验和空间转录组数据进行验证。具体包括：两种组织学模式患者的单细胞测序数据进行细胞质控、标准化、降维、聚类、细胞类型注释；对肿瘤细胞和免疫细胞进行细胞通讯分析，获得显著的共抑制受体配体对TIGIT_NECTIN2和TIGIT_PVR；使用高通量测序数据分析肿瘤细胞相关分子NECTIN2和PVR的预后情况；通过两种组织学模式患者的多重免疫荧光实验和空间转录组数据验证上述分子在不同模式中的表达差异和空间分布。
-
公开(公告)号：CN101671702A
公开(公告)日：2010-03-17
申请号：CN200910184742.3
申请日：2009-08-20
Applicant: 南京工业大学
IPC: C12P13/00
Abstract: 本发明涉及一种合成4-硝基苄基乙酸酯卤代盐的方法，将脂肪酶，4-硝基苄醇、一卤代乙酸、反应溶剂和吸水剂按摩尔比为0.1～1∶1∶1～10∶0.5～50∶0～300置于反应瓶中，控制温度为5～80℃，反应0.5～72小时，过滤除去脂肪酶得反应液；然后将萃取剂和步骤A所得的反应液按照体积比1∶2～1∶5进行萃取，减压蒸馏后得到4-硝基苄基乙酸酯卤代盐。本发明原料易得，反应步骤少，反应条件温和，副产物仅为水，操作简便，使用的有机溶剂可以循环使用，对环境影响少，后处理简单，产品纯度和收率较高，适合工业化生产。
-
公开(公告)号：CN100445257C
公开(公告)日：2008-12-24
申请号：CN200610086003.7
申请日：2006-07-18
Applicant: 南京工业大学
Abstract: 本发明公开一种从厌氧发酵液中分离提取丁二酸的方法。该方法是将经厌氧发酵生产的丁二酸发酵液采用微滤膜过滤，然后用超滤膜过滤，再用活性炭脱色除杂，得到澄清的丁二酸溶液，浓缩，结晶得到丁二酸产品。该方法具有条件温和，操作简便，分离工艺路线短，成本低，选择性好，产品质量好的特点，能有效克服收率低，污水排量大及生产劳动强度高的不足。
-
公开(公告)号：CN119252336A
公开(公告)日：2025-01-03
申请号：CN202411095073.3
申请日：2024-08-09
Applicant: 南京工业大学
Abstract: 本发明提出了一种基于跨域特征交叉迁移的单细胞转录反应预测算法，利用深度学习技术进行药物筛选。该算法结合了特征解耦、跨域迁移学习和线性建模方法，具体包括：编码器解耦特征、特征交叉迁移、扰动状态建模和转录谱预测。本发明首次将跨域迁移学习应用于药物或基因扰动诱导的细胞反应预测领域，通过使用基因转录谱数据构建模型。该实施例中，预测的药物扰动转录谱与真实转录谱之间的全基因组决定系数达0.81，差异基因组决定系数达0.62，成功实现了对单细胞外部扰动反应的高效预测，这为肿瘤治疗领域提供了新的思路和方法，也为未来的药物研发提供了有益的借鉴。
-
-
-
-
-
-
-
-
-
Search Results
33
records
(took 0.03 seconds)
