-
公开(公告)号：CN115497555B
公开(公告)日：2024-01-05
申请号：CN202210980663.9
申请日：2022-08-16
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
Abstract: 本申请公开了一种多物种蛋白质功能预测方法、装置、设备及存储介质，属于生物信息技术领域，该方法包括：将多物种蛋白质的标签矩阵和特征矩阵输入预先构建的跨物种异构网络；在所述跨物种异构网络的每个传播层传播所述标签矩阵和所述特征矩阵，获得传播后的目标标签矩阵和目标特征矩阵；将所述目标标签矩阵和所述目标特征矩阵进行加权获得预测得分矩阵，并基于所述预测得分矩阵获得所述多物种蛋白质(56)对比文件WO 2021041199 A1,2021.03.04WO 2022104265 A1,2022.05.19宋宝兴等“.基于蛋白质相互作用网络挖掘物种内的功能相似蛋白质”《.生物物理学报》.2011,第27卷(第9期),第789-800页.潘怡等.“加权优先级网络在蛋白质功能预测中的应用研究”《.小型微型计算机系统》.2017,第38卷(第9期),第1977-1982页.黄佳“.基于拓扑和序列的多生物网络比对算法的研究”《.《中国优秀硕士学位论文全文数据库》.2022,(第1期),第A006-454页.chen lei等.“Identifying novel proteinphenotype annotations by hybridizingprotein-protein interactions and proteinsequence similarities”《.Moleculargenetics and genomics : MGG》.2016,第291卷(第2期),第913-934页.H Wang等“.Combining graphconvolutional neural networks and labelpropagation”《.ACM trans》.2021,第40卷(第4期),第1-27页.
-
公开(公告)号：CN115497555A
公开(公告)日：2022-12-20
申请号：CN202210980663.9
申请日：2022-08-16
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
Abstract: 本申请公开了一种多物种蛋白质功能预测方法、装置、设备及存储介质，属于生物信息技术领域，该方法包括：将多物种蛋白质的标签矩阵和特征矩阵输入预先构建的跨物种异构网络；在所述跨物种异构网络的每个传播层传播所述标签矩阵和所述特征矩阵，获得传播后的目标标签矩阵和目标特征矩阵；将所述目标标签矩阵和所述目标特征矩阵进行加权获得预测得分矩阵，并基于所述预测得分矩阵获得所述多物种蛋白质的功能预测得分。如此，基于跨物种异构网络上实现了标签与特征的同时传播，提高了多物种蛋白质功能的预测的准确性和有效性。
-
公开(公告)号：CN117393143A
公开(公告)日：2024-01-12
申请号：CN202311316888.5
申请日：2023-10-11
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
Abstract: 本发明公开了一种基于图表示学习的环状RNA‑疾病关联预测方法、移动设备及存储介质，该方法包括：基于环状RNA及相关信息构建环状RNA的异构网络，所述异构网络包括环状RNA节点和疾病节点；将异构网络中各个节点的特征随机初始化后输入图表示学习模型，通过所述图表示学习模型按预设流程学习各个节点的表示向量；基于环状RNA节点的表示向量和疾病节点的表示向量的内积确定为对应环状RNA与疾病的关联预测得分。如此，通过图表示学习模型学习异构网络中各个节点的表示向量，再基于环状RNA节点和疾病节点的表示向量的内积确定关联预测得分，提高了异构网络构建的灵活性，使得图表示学习模型能获得更丰富的节点表示，提高了环状RNA‑疾病预测的准确性。
-
公开(公告)号：CN116884473A
公开(公告)日：2023-10-13
申请号：CN202310581243.8
申请日：2023-05-22
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G16B15/20 , G16B40/00 , G06F18/214 , G06F18/241
Abstract: 本发明公开了一种蛋白质功能预测模型生成方法及装置，包括获取训练蛋白质的氨基酸三维原子坐标，并根据其进行图论方法生成蛋白质二维接触图；对训练蛋白质的氨基酸三维原子坐标进行算法处理获取第一特征矩阵，对蛋白质二维接触图进行算法处理获取第二特征矩阵，第一特征矩阵与训练蛋白质的氨基酸三维原子坐标中序列作用位点对应，第二特征矩阵与训练蛋白质的氨基酸三维原子坐标中结构作用折叠结构对应；根据第一特征矩阵和第二特征矩阵分别对应的数据标签训练预先构建的蛋白质功能分类器，得到蛋白质功能预测模型。通过将训练蛋白质的氨基酸结构和序列作为信息源提取特征，提高了预测模型对蛋白质功能的预测精度。
-
公开(公告)号：CN116246699A
公开(公告)日：2023-06-09
申请号：CN202211105940.8
申请日：2022-09-07
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G16B20/00 , G16B40/00 , G06F16/36 , G06N3/0464
Abstract: 本发明公开了一种基于知识图谱的合成致死预测方法、设备及存储介质，该方法包括：基于知识图谱卷积网络获得第一基因特征；根据合成致死相互作用网络获得第二基因特征；计算所述第一基因特征和所述第二基因特征的向量内积，预测基因对的合成致死概率。由此解决了当前需要人工设计基因特征，以及无法通过建模合成致死相互作用背后机制的问题，在提升基因对的合成致死预测性能的同时，还提高了模型的可解释性。
-
Patent Agency Ranking
公开(公告)号：CN117393143B
公开(公告)日：2024-06-25
申请号：CN202311316888.5
申请日：2023-10-11
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
Abstract: 本发明公开了一种基于图表示学习的环状RNA‑疾病关联预测方法、移动设备及存储介质，该方法包括：基于环状RNA及相关信息构建环状RNA的异构网络，所述异构网络包括环状RNA节点和疾病节点；将异构网络中各个节点的特征随机初始化后输入图表示学习模型，通过所述图表示学习模型按预设流程学习各个节点的表示向量；基于环状RNA节点的表示向量和疾病节点的表示向量的内积确定为对应环状RNA与疾病的关联预测得分。如此，通过图表示学习模型学习异构网络中各个节点的表示向量，再基于环状RNA节点和疾病节点的表示向量的内积确定关联预测得分，提高了异构网络构建的灵活性，使得图表示学习模型能获得更丰富的节点表示，提高了环状RNA‑疾病预测的准确性。
-
公开(公告)号：CN117153260B
公开(公告)日：2024-06-25
申请号：CN202311204657.5
申请日：2023-09-18
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G16B30/10 , G06F18/23 , G06F18/22 , G06F18/2135
Abstract: 本发明公开了一种基于对比学习的空间转录组数据聚类方法、装置、设备及存储介质，该方法包括：基于空间转录组数据获得加权的特征矩阵和邻接矩阵并构建邻接图；将邻接图分别输入孪生网络结构两个编码器以学习第一节点表示和第二节点表示；基于第一节点表示、第二节点表示构建用于计算对比损失的正样本集；基于节点的软聚类分布和辅助分布计算聚类损失；通过对比损失和聚类损失指导模型训练进而获得聚类结果。通过孪生网络结构进行对比学习获得用于构建正样本集的节点表示，并计算对比损失和聚类损失，并基于节点间的对比损失和聚类损失指导模型训练，如此基于对比学习获得了针对基因转录组数据的数据聚类方法，提高了空间转录组数据聚类的针对性和准确性。
-
公开(公告)号：CN116884473B
公开(公告)日：2024-04-26
申请号：CN202310581243.8
申请日：2023-05-22
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G16B15/20 , G16B40/00 , G06F18/214 , G06F18/241
Abstract: 本发明公开了一种蛋白质功能预测模型生成方法及装置，包括获取训练蛋白质的氨基酸三维原子坐标，并根据其进行图论方法生成蛋白质二维接触图；对训练蛋白质的氨基酸三维原子坐标进行算法处理获取第一特征矩阵，对蛋白质二维接触图进行算法处理获取第二特征矩阵，第一特征矩阵与训练蛋白质的氨基酸三维原子坐标中序列作用位点对应，第二特征矩阵与训练蛋白质的氨基酸三维原子坐标中结构作用折叠结构对应；根据第一特征矩阵和第二特征矩阵分别对应的数据标签训练预先构建的蛋白质功能分类器，得到蛋白质功能预测模型。通过将训练蛋白质的氨基酸结构和序列作为信息源提取特征，提高了预测模型对蛋白质功能的预测精度。
-
公开(公告)号：CN117153260A
公开(公告)日：2023-12-01
申请号：CN202311204657.5
申请日：2023-09-18
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G16B30/10 , G06F18/23 , G06F18/22 , G06F18/2135
Abstract: 本发明公开了一种基于对比学习的空间转录组数据聚类方法、装置、设备及存储介质，该方法包括：基于空间转录组数据获得加权的特征矩阵和邻接矩阵并构建邻接图；将邻接图分别输入孪生网络结构两个编码器以学习第一节点表示和第二节点表示；基于第一节点表示、第二节点表示构建用于计算对比损失的正样本集；基于节点的软聚类分布和辅助分布计算聚类损失；通过对比损失和聚类损失指导模型训练进而获得聚类结果。通过孪生网络结构进行对比学习获得用于构建正样本集的节点表示，并计算对比损失和聚类损失，并基于节点间的对比损失和聚类损失指导模型训练，如此基于对比学习获得了针对基因转录组数据的数据聚类方法，提高了空间转录组数据聚类的针对性和准确性。
-
公开(公告)号：CN115577273B
公开(公告)日：2024-04-26
申请号：CN202210970095.4
申请日：2022-08-12
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
Abstract: 本申请公开了一种基于对比学习的单细胞数据聚类方法、装置、设备及存储介质，该方法包括：通过预先构建的特征提取模块确定待聚类单细胞数据的正视图对并提取所述正视图对的特征；通过预先构建的对比学习模型将所述特征进行对比学习，获得所述待聚类单细胞数据的高阶表示，并对所述高阶表示进行聚类分析以获得所述待聚类单细胞数据的聚类分析结果。如此，通过特征提取、对比学习获得了待聚类单细胞数据的高阶表示，解决了当前单细胞测序数据高维稀疏、种群间不平衡以及测序过程经常发生drop‑out事件的问题。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.065 seconds)
