-
公开(公告)号：CN118824350B
公开(公告)日：2024-11-26
申请号：CN202411296576.7
申请日：2024-09-18
IPC: G16B5/00 , G16B40/00 , G06N3/0442 , G06N3/0895
Abstract: 本发明公开了一种单细胞分化轨迹推断方法，涉及细胞分化轨迹分析技术领域，本方法基于DNA序列和RNA序列进行建模，同时预测染色质可及性和基因表达状态，并整合成对的单细胞多组学数据，将分类器的权重作为两种组学的细胞低维特征，利用对比学习学习其中的细胞异质性，提高单细胞的聚类准确率，进而构建准确的单细胞的分化轨迹。本方法采用轻量级深度学习模型，避免了当前众多基于编码解码器结构的单细胞数据融合模型训练困难的尴尬处境，还可以提高数据处理效率。本方法考虑到细胞异质性对于单细胞多组学数据融合的影响，利用对比学习，能够更精准地刻画多组学数据中的单细胞特征，为准确聚类打下基础。
-
公开(公告)号：CN119479808A
公开(公告)日：2025-02-18
申请号：CN202411301445.3
申请日：2024-09-18
IPC: G16B30/00 , G16B40/00 , G16B5/00 , G06F18/10 , G06F18/25 , G06F18/241 , G06N3/0464 , G06N3/0442 , G06N3/0455 , G06N3/0895
Abstract: 本发明公开了一种单细胞数据降噪方法，涉及细胞数据处理领域，本方法基于DNA序列和RNA序列进行建模，同时预测染色质可及性和基因表达状态，并整合成对的单细胞多组学数据，将分类器的权重作为两种组学的细胞低维特征，利用对比学习学习其中的细胞异质性，刻画单细胞数据的真实轮廓和生物学信息，对单细胞数据集进行有效降噪。
-
公开(公告)号：CN118629672B
公开(公告)日：2024-10-11
申请号：CN202411110690.6
申请日：2024-08-14
IPC: G16H70/40 , G16H20/10 , G16H50/70 , G06F18/25 , G16C20/50 , G16C20/70 , G16B35/00 , G16B40/00 , G06N3/045 , G06N3/042 , G06N3/0464 , G06N3/0455
Abstract: 本发明公开了一种基于多模态数据融合的药物协同组合预测方法，首先获取药物组合样本的药物特征向量和细胞系基因表达量；接着基于多头自注意力的图注意力网络和最大池化操作提取药物特征向量中的药物分子图特征；再基于可变形卷积网络提取药物特征向量中的药物摩根指纹特征，并通过空间重建模块抑制药物摩根指纹特征的冗余；然后基于多层感知机提取细胞系基因表达量中的细胞系特征；最后采用Transformer将药物分子图特征、重建后的药物摩根指纹特征和细胞系特征进行特征融合，得到药物协同组合预测结果。本发明通过融合药物的多模态数据，增强了模型对药物的表征能力，进而提高了对未知药物协同组合的预测精度和泛化能力。
-
公开(公告)号：CN118629672A
公开(公告)日：2024-09-10
申请号：CN202411110690.6
申请日：2024-08-14
IPC: G16H70/40 , G16H20/10 , G16H50/70 , G06F18/25 , G16C20/50 , G16C20/70 , G16B35/00 , G16B40/00 , G06N3/045 , G06N3/042 , G06N3/0464 , G06N3/0455
Abstract: 本发明公开了一种基于多模态数据融合的药物协同组合预测方法，首先获取药物组合样本的药物特征向量和细胞系基因表达量；接着基于多头自注意力的图注意力网络和最大池化操作提取药物特征向量中的药物分子图特征；再基于可变形卷积网络提取药物特征向量中的药物摩根指纹特征，并通过空间重建模块抑制药物摩根指纹特征的冗余；然后基于多层感知机提取细胞系基因表达量中的细胞系特征；最后采用Transformer将药物分子图特征、重建后的药物摩根指纹特征和细胞系特征进行特征融合，得到药物协同组合预测结果。本发明通过融合药物的多模态数据，增强了模型对药物的表征能力，进而提高了对未知药物协同组合的预测精度和泛化能力。
-
公开(公告)号：CN118609855A
公开(公告)日：2024-09-06
申请号：CN202411078638.7
申请日：2024-08-07
Abstract: 本发明公开了一种基于异构图神经网络和多组学的癌症药物反应预测方法，涉及癌症药物反应预测领域，其通过构建细胞‑药物异构图神经网络，并将异构图神经网络应用到癌症药物反应预测问题模型构建，能够有效地学习细胞系与癌症药物之间存在的复杂联系；并且融合多组学数据，从多组学角度全面地学习细胞系特征，使模型更符合生物学意义，具备更好的鲁棒性，提高了癌症药物反应预测的准确率。
-
Patent Agency Ranking
公开(公告)号：CN118824350A
公开(公告)日：2024-10-22
申请号：CN202411296576.7
申请日：2024-09-18
IPC: G16B5/00 , G16B40/00 , G06N3/0442 , G06N3/0895
Abstract: 本发明公开了一种单细胞分化轨迹推断方法，涉及细胞分化轨迹分析技术领域，本方法基于DNA序列和RNA序列进行建模，同时预测染色质可及性和基因表达状态，并整合成对的单细胞多组学数据，将分类器的权重作为两种组学的细胞低维特征，利用对比学习学习其中的细胞异质性，提高单细胞的聚类准确率，进而构建准确的单细胞的分化轨迹。本方法采用轻量级深度学习模型，避免了当前众多基于编码解码器结构的单细胞数据融合模型训练困难的尴尬处境，还可以提高数据处理效率。本方法考虑到细胞异质性对于单细胞多组学数据融合的影响，利用对比学习，能够更精准地刻画多组学数据中的单细胞特征，为准确聚类打下基础。
-
公开(公告)号：CN119961230A
公开(公告)日：2025-05-09
申请号：CN202411911599.4
申请日：2024-12-24
Applicant: 四川省计算机研究院
IPC: G06F16/176 , G06F21/62 , G06F21/60 , G06F21/64
Abstract: 本发明提供一种基于区块链架构的科研数据共享方法该方法通过区块链的去中心化特性，打破了传统中心化系统的数据垄断，使得科研数据可以在多个节点间自由流动，提高了数据共享的效率。其次，通过加密技术和哈希函数的应用，确保了数据在传输过程中的安全性和准确性，降低了数据泄露的风险。此外，通过智能合约和数据版本控制系统的应用，实现了数据的自动化管理和跟踪，提高了数据的合规性和质量。最后，通过数据索引和检索系统的建立，使得研究人员可以快速找到所需的数据集，促进了科研数据的共享和协作。综上所述，这种基于区块链架构的科研数据共享方法具有显著的优势和广阔的应用前景。
-
公开(公告)号：CN119693990A
公开(公告)日：2025-03-25
申请号：CN202510200523.9
申请日：2025-02-24
Applicant: 四川省计算机研究院
IPC: G06V40/16 , G06V10/80 , G06V10/82 , G06V10/764 , G06N3/0464
Abstract: 本发明提供一种基于感知增强的性别和年龄估计方法及终端，该方法包括如下步骤：S1：图像数据预处理；S2：图像特征感知增强；S3：主干图像特征提取；S4：多层级特征融合；S5：进行性别和年龄估计；本发明是专为低分辨率人脸图像设计的特征提取网络，通过感知增强增加图像特征尺寸，增加图像细节信息，以此增强在低分辨率场景下对人脸性别和年龄估计的准确率。本发明通过对低分辨率的人脸部图像进行感知增强，增加脸部细节信息，以提高低分辨率图像下的性别和年龄估计准确率。
-
公开(公告)号：CN118898546A
公开(公告)日：2024-11-05
申请号：CN202410853331.3
申请日：2024-06-28
IPC: G06T5/60 , G06T5/50 , G06T11/00 , G06F18/25 , G06N3/0455 , G06N3/0464 , G06N3/0475
Abstract: 本发明公开一种缺失模态下医学影像重建方法，包括步骤：获取低剂量PET图像、核磁共振MRI图像和患者电子健康记录数据的多模态数据，输入医学影像重建模型，获得重建结果；在医学影像重建模型中包括：一个编码器解码器网络和一个对抗神经网络；所述编码器解码器利用模态特征提取编码器对多模态数据分别进行特征提取，并将所提取的特征输入至模态交互编码器；利用模态交互编码器，嵌入从缺失感知模块中获得的缺失感知提示的缺失感知变换器，由多个缺失感知变换器分别对多模态数据的特征进行处理，进行交互和集成；利用模态融合解码器整合各模态特征，合成SPET图像。本发明有效地交互不完整的多模态数据，合成高质量的SPET图像。
-
公开(公告)号：CN112087742A
公开(公告)日：2020-12-15
申请号：CN202010949228.0
申请日：2020-09-10
Applicant: 四川省计算机研究院
Abstract: 本发明提供了一种基于复平面的地理边界缓冲区算法、电子设备及存储介质，其中算法包括S1.将边界分解为多个直线段，每个直线段对应一个缓冲区；S2.获取每个直线段的端点A、B，建立坐标系并获取A、B的坐标；S3.根据A、B的坐标获取缓冲区的四个顶点坐标；S4.根据缓冲区的顶点坐标获取缓冲区中多边形的边界，进而判断待判断点是否位于边界的缓冲区内；通过该算法无需引入条件判断逻辑即可通过将缓冲区视为一个独立的多边形对象，进而判断点是否在多边形内来判断待测点是否位于缓冲区内，缓冲区和多边形边界可以采用相同的模块进行处理，算法复用度高且设计简单。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.032 seconds)
