-
公开(公告)号：CN113096733A
公开(公告)日：2021-07-09
申请号：CN202110509316.3
申请日：2021-05-11
Applicant: 同济大学
Abstract: 本发明涉及一种基于序列和形状信息深度融合的模体挖掘方法，包括：S1、构建深度嵌入卷积神经网络模型，并对DNA序列和形状信息进行空间对齐混合，作为所述神经网络模型的输入；S2、对所述深度嵌入卷积神经网络模型进行训练，得到模体绑定强度预测值；S3、基于预测值与实际绑定强度之间的回归系数R2对所述构建的深度嵌入卷积神经网络模型性能进行评估。本发明方法利用了卷积神经网络在特征提取方面的优势，实现了序列和形状特征的深度融合。
-
公开(公告)号：CN113096733B
公开(公告)日：2022-09-30
申请号：CN202110509316.3
申请日：2021-05-11
Applicant: 同济大学
Abstract: 本发明涉及一种基于序列和形状信息深度融合的模体挖掘方法，包括：S1、构建深度嵌入卷积神经网络模型，并对DNA序列和形状信息进行空间对齐混合，作为所述神经网络模型的输入；S2、对所述深度嵌入卷积神经网络模型进行训练，得到模体绑定强度预测值；S3、基于预测值与实际绑定强度之间的回归系数R2对所述构建的深度嵌入卷积神经网络模型性能进行评估。本发明方法利用了卷积神经网络在特征提取方面的优势，实现了序列和形状特征的深度融合。
-
公开(公告)号：CN113096732A
公开(公告)日：2021-07-09
申请号：CN202110509307.4
申请日：2021-05-11
Applicant: 同济大学
Abstract: 本发明涉及一种基于深度嵌入卷积神经网络的模体挖掘方法，包括：S1、构建深度嵌入卷积神经网络eDeepCNN模型；S2、对DNA序列进行K‑mer编码，利用嵌入向量作为所述模型中K‑mer的输入表示，作为所述模型的数据集进行训练，并进行特征提取和绑定预测；S3、将所述深度嵌入卷积神经网络eDeepCNN模型与浅层网络对比，用于验证所述深度嵌入卷积神经网络eDeepCNN模型的优越性。本发明中，K‑mer编码显式建模了DNA序列中邻近核苷酸的依赖关系，隐含了DNA序列的形状信息，高维嵌入向量则可以充分表征K‑mer所包含的潜在信息。
-
-
Search Results
3
records
(took 0.098 seconds)
