公开(公告)号：CN119274657A

公开(公告)日：2025-01-07

申请号：CN202411002154.4

申请日：2024-07-25

Applicant: 哈尔滨工业大学

Inventor： 张政谦 ,  陈炳宏 ,  张博文 ,  刘子岐 ,  刘永壮

IPC: G16B40/00 ,  G16B25/00 ,  G16H20/10 ,  G16H70/40 ,  G16H30/40

Abstract: 本发明涉及生物学技术领域，具体为一种基于深度学习的空间转录组空间域识别方法，空间转录组技术可用于研究药物在组织内的作用机制和效果评估，通过空间域识别，可以确定药物靶点在组织中的位置分布情况，并评估药物对不同细胞类型的影响，这有助于指导药物开发过程中的靶向设计和药效评估，提高临床治疗的准确性和有效性。

公开(公告)号：CN118072307A

公开(公告)日：2024-05-24

申请号：CN202410347380.X

申请日：2024-03-26

Applicant: 哈尔滨工业大学

Inventor： 张政谦 ,  刘永壮

IPC: G06V20/69 ,  G16B40/30

Abstract: 本发明公开一种基于关系图注意力的空间转录组空间域识别方法，包括步骤：S1、通过stRGAT采集基因表达、组织学图像数据和空间位置信息；S2、对数据进行降维和归一化，并利用标准化的欧氏距离构造一个无向图来度量节点之间的相似性；S3、将预处理后的数据输入关系图注意网络，提取最终的潜在嵌入；S4、并使用无监督聚类算法进行空间域识别。本发明解决了现有空间域识别算法精确度低的问题，无法有效地识别预期的皮质层结构。

公开(公告)号：CN118781002A

公开(公告)日：2024-10-15

申请号：CN202410995478.6

申请日：2024-07-24

Applicant: 哈尔滨工业大学

Inventor： 陈炳宏 ,  张政谦 ,  王海裕 ,  张博文 ,  刘永壮

IPC: G06T5/60 ,  G06N3/0464 ,  G06N3/045 ,  G06N3/048

Abstract: 本申请涉及医学图像处理技术领域，公开了基于状态空间对偶机制的医学图像恢复方法，包括输入低质图像，通过卷积将低质图像映射到隐空间中，得到特征图；将特征图输入深度特征转换层，通过深度特征转换层处理后，输出清晰还原图像；深度特征转换层处理步骤包括：通过多个元状态空间对偶簇对输入的特征图进行处理；通过卷积对经过多个元状态空间对偶簇处理后的特征图进行处理输出；将经过卷积处理后的特征图与输入残差相加后，输出清晰还原图像；本申请通过结合局部感知和全局建模的优势，实现对低质量输入图像和高质量输出图像之间映射关系的高效学习，从而提高医学图像的恢复效果，解决现有技术在细节处理和计算效率上的不足。

公开(公告)号：CN119380807A

公开(公告)日：2025-01-28

申请号：CN202411583744.0

申请日：2024-11-07

Applicant: 哈尔滨工业大学

Inventor： 伍颖 ,  张政谦 ,  谢灵韵 ,  杨雨晴 ,  侯雨菲 ,  代居益 ,  刘永壮

IPC: G16B20/20 ,  G16B30/00 ,  G16B40/00 ,  G16B40/20 ,  G16B45/00 ,  G06F18/10 ,  G06F18/213 ,  G06F18/2433 ,  G06N3/0464 ,  G06N3/045 ,  G06N3/09 ,  G06N3/048

Abstract: 本发明涉及基于深度学习的结构变异检测方法，具体步骤如下：步骤S1：数据上传，将结构变异特征序列数据上传，将测序数据比对至参考基因组序列或参考主转录本序列，并且对上传的格式进行检查；步骤S2：数据预处理，将上传的结构变异特征序列数据进行数据转换、数据清洗后，对上传的数据进行存储。该基于深度学习的结构变异检测方法，本申请构建一个能自动学习和解析复杂生物信号的检测方法，以更准确地探测和定位结构变异。深度学习可以自动的整合多种信号源，提高结构变异的识别精度。

公开(公告)号：CN118918954A

公开(公告)日：2024-11-08

申请号：CN202411025662.4

申请日：2024-07-30

Applicant: 哈尔滨工业大学

Inventor： 张政谦 ,  王海裕 ,  夏海华 ,  陈炳宏 ,  刘永壮

IPC: G16B30/10 ,  G16B40/00 ,  G06F18/2415 ,  G06F18/213 ,  G06F18/25 ,  G06N3/042 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/0442 ,  G06N3/047 ,  G06N3/048 ,  G06N3/045 ,  G06N3/0985 ,  G06N3/084 ,  G06F123/02

Abstract: 本申请涉及数据处理技术领域，公开了一种用于增强宏基因组数据中病毒识别的多模态注意力深度学习方法，包括数据预处理、序列嵌入、多模态特征提取、动态特征融合及预测、以及超参数调优与训练五个主要步骤；通过GAT、自编码器、卷积长短期记忆网络和Transformer四种模型路径，分别提取序列的图结构特征、潜在特征、时空特征和全局特征引入自注意力机制，根据输入序列的特征自适应地调整各路径的贡献权重，利用GAT和自编码器进行序列嵌入，捕捉长距离依赖关系和潜在特征采用ConvLSTM和Transformer模型路径，提取时空和全局特征过超参数调优和训练策略优化；本申请提高了对病毒序列的识别能力，同时提高特征融合的准确性，并且进一步提升模型的性能和鲁棒性。

公开(公告)号：CN118737273A

公开(公告)日：2024-10-01

申请号：CN202411008667.6

申请日：2024-07-26

Applicant: 哈尔滨工业大学

Inventor： 张政谦 ,  陈炳宏 ,  王海裕 ,  刘崇垚 ,  刘永壮

IPC: G16B20/30 ,  G16B40/20 ,  G06N3/0464 ,  G06N3/09 ,  G06F18/241

Abstract: 本申请涉及数据处理技术领域，公开了一种用于细胞类型反卷积和3D重构的深度学习方法，包括用正态分布变换，选中间切片作为固定枢轴，并将所有相邻切片线性注册到这个枢轴上，以减少累计误差；将细胞类型反卷积问题建模为最大后验概率框架下的优化问题，采用弹性网正则化建模稀疏性和多重共线性，并在列方向上应用总变差正则化；使用已注册的空间信息构建邻接矩阵，并将节点的空间坐标和基因表达向量拼接成特征向量，通过多头图注意力机制提取特征，并使用细胞类型反卷积结果作为监督信号进行训练；本申请具有高效性和准确性，解决现有技术中存在的空间不一致性处理、细胞类型预测准确性低及算法效率低下的问题，实现快速高效的生物信息分析。