公开(公告)号：CN107025386B

公开(公告)日：2020-07-17

申请号：CN201710174877.6

申请日：2017-03-22

Applicant: 杭州电子科技大学

Inventor： 颜成钢 ,  盛再超 ,  彭冬亮 ,  薛安克

IPC: G16B20/20 ,  G16B20/30 ,  G16B50/00

Abstract: 本发明公开了一种基于深度学习算法进行基因关联分析的方法。本发明基于SNP集分析的方法需要借鉴来自同一个体不同位置但是相关的SNP信息，根据现有生物学知识将个体的SNP分成多个单元。首先在整个染色体层面，根据生物学相关知识，如接近基因组特征的原则，将全体SNP划分成多个SNP集。划分结束后，每一个SNP集输入到搭建的双向LSTM网络中，该网络是一个循环神经网络，它的状态包含上一时刻的陈旧信息，同时又是下一时刻权值变化的依据。LSTM网络学习完成后，可以通过网络的计算，输出对输入数据所需关注程度。本发明具有更好的敏感度和特异度，为临床医学、遗传病学和预防医学的发展研究开拓了新的领域。

公开(公告)号：CN107025386A

公开(公告)日：2017-08-08

申请号：CN201710174877.6

申请日：2017-03-22

Applicant: 杭州电子科技大学

Inventor： 盛再超 ,  颜成钢 ,  彭冬亮 ,  薛安克

IPC: G06F19/24

Abstract: 本发明公开了一种基于深度学习算法进行基因关联分析的方法。本发明基于SNP集分析的方法需要借鉴来自同一个体不同位置但是相关的SNP信息，根据现有生物学知识将个体的SNP分成多个单元。首先在整个染色体层面，根据生物学相关知识，如接近基因组特征的原则，将全体SNP划分成多个SNP集。划分结束后，每一个SNP集输入到搭建的双向LSTM网络中，该网络是一个循环神经网络，它的状态包含上一时刻的陈旧信息，同时又是下一时刻权值变化的依据。LSTM网络学习完成后，可以通过网络的计算，输出对输入数据所需关注程度。本发明具有更好的敏感度和特异度，为临床医学、遗传病学和预防医学的发展研究开拓了新的领域。