公开(公告)号：CN114972746B

公开(公告)日：2024-04-30

申请号：CN202210387736.3

申请日：2022-04-13

Applicant: 湖南大学

Inventor： 彭绍亮 ,  王练 ,  王鹤恬 ,  冉坤 ,  潘亮 ,  陈佐

IPC: G06V10/26 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0455 ,  G06N3/0464

Abstract: 本发明公开了一种基于多分辨率重叠注意力机制的医学影像分割方法，基于多分辨率重叠注意力机制构建了一个具有跳跃连接的对称编码器‑解码器体系结构，编码器实现了从局部到全局的注意力机制，解码器将全局特征逐渐上采样到相应的输入分辨率；并且提出了跨尺度扩展层模块来实现上采样和特征维度的增加，最终通过分割头部模块实现像素级语义分割。本发明利用Transformer注意力机制和跳跃连接，充分利用全局上下文特征和各层次精细的语义信息，在全局和局部层次大大提高医学影像分割精度。

公开(公告)号：CN114972746A

公开(公告)日：2022-08-30

申请号：CN202210387736.3

申请日：2022-04-13

Applicant: 湖南大学

Inventor： 彭绍亮 ,  王练 ,  王鹤恬 ,  冉坤 ,  潘亮 ,  陈佐

IPC: G06V10/26 ,  G06V10/80 ,  G06V10/82 ,  G06N3/04

Abstract: 本发明公开了一种基于多分辨率重叠注意力机制的医学影像分割方法，基于多分辨率重叠注意力机制构建了一个具有跳跃连接的对称编码器‑解码器体系结构，编码器实现了从局部到全局的注意力机制，解码器将全局特征逐渐上采样到相应的输入分辨率；并且提出了跨尺度扩展层模块来实现上采样和特征维度的增加，最终通过分割头部模块实现像素级语义分割。本发明利用Transformer注意力机制和跳跃连接，充分利用全局上下文特征和各层次精细的语义信息，在全局和局部层次大大提高医学影像分割精度。

公开(公告)号：CN114512188A

公开(公告)日：2022-05-17

申请号：CN202210274125.8

申请日：2022-03-20

Applicant: 湖南大学

Inventor： 冉坤 ,  彭绍亮 ,  赵雄君 ,  潘亮 ,  王练 ,  刘文娟

IPC: G16B25/10 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于改进蛋白质序列位置特异性矩阵的DNA结合蛋白识别方法，包括：S1、参数初始化；S2、构建DNA结合蛋白序列信息；S3、采用位置特异性得分矩阵表示蛋白质序列；S4、对位置特异性得分矩阵进行归一化，得到改进后的位置特异性得分矩阵；S5、输入卷积神经网络；S6、将卷积神经网络的输出结果输入至双向长短时记忆网络；S7、采用时间分布稠密层对不同存储单元生成的隐藏特征进行加权；S8、将稠密层的输出输入到Flatten层；S9、将改进后的位置特异性得分矩阵输入随机森林模型得到对特定蛋白质序列的决策结果；S10、将步骤S8的输出和步骤S9的决策结果输入评分层，按照设定的权重进行最终的预测评分。本发明提高了预测的性能和准确率。

公开(公告)号：CN114512188B

公开(公告)日：2024-04-05

申请号：CN202210274125.8

申请日：2022-03-20

Applicant: 湖南大学

Inventor： 冉坤 ,  彭绍亮 ,  赵雄君 ,  潘亮 ,  王练 ,  刘文娟

IPC: G16B25/10 ,  G06N3/049 ,  G06N3/08 ,  G06N3/0464

Abstract: 本发明公开了一种基于改进蛋白质序列位置特异性矩阵的DNA结合蛋白识别方法，包括：S1、参数初始化；S2、构建DNA结合蛋白序列信息；S3、采用位置特异性得分矩阵表示蛋白质序列；S4、对位置特异性得分矩阵进行归一化，得到改进后的位置特异性得分矩阵；S5、输入卷积神经网络；S6、将卷积神经网络的输出结果输入至双向长短时记忆网络；S7、采用时间分布稠密层对不同存储单元生成的隐藏特征进行加权；S8、将稠密层的输出输入到Flatten层；S9、将改进后的位置特异性得分矩阵输入随机森林模型得到对特定蛋白质序列的决策结果；S10、将步骤S8的输出和步骤S9的决策结果输入评分层，按照设定的权重进行最终的预测评分。本发明提高了预测的性能和准确率。

公开(公告)号：CN115620815A

公开(公告)日：2023-01-17

申请号：CN202211285893.X

申请日：2022-10-16

Applicant: 湖南大学

Inventor： 彭绍亮 ,  冉坤 ,  崔英博 ,  王子航

IPC: G16B30/10 ,  G16B50/00 ,  G06F9/50 ,  G06F9/54

Abstract: 本发明公开了一种基于MPI技术的分析大规模第三代测序数据并行比对方法，包括：S1、启动p个进程，任意选取一个进程作为主进程，并将其余个进程作为从进程；S2、将参考基因组读入所述主进程，并通过minimap2生成参考基因组索引；S3、根据参考基因组索引的值构建数据结构；S4、主进程通过MPI_Bcast函数广播步骤S3中构建的数据结构；S5、所有从进程调用MPI_Bcast函数获取所述主进程广播的数据结构；S6、将所有p个进程进行序列分割，确定所需读取分析的第三代测序数据；S7、通过多级并行对所有进程进行三代测序比对；S8、每个进程将该进程的比对结果异步输入到独立的文件中保存；S9、将不同的文件中所保存的各个进程的比对结果合并。本发明极大的减少了比对时间。

公开(公告)号：CN114678064A

公开(公告)日：2022-06-28

申请号：CN202210352445.0

申请日：2022-04-04

Applicant: 湖南大学

Inventor： 彭绍亮 ,  潘亮 ,  王小奇 ,  冉坤 ,  王鹤恬 ,  刘文娟

IPC: G16B15/30 ,  G16B50/00

Abstract: 本发明公开了一种基于网络表征学习的药物靶标相互作用预测方法，包括S1、参数初始化；S2、构建药物异质信息网络；S3、计算相应的相似网络；S4、将相似网络的邻接矩阵A作为输入，计算top‑l个矩阵A的特征分解[Λ,X]；S5、通过高阶相似性的阶数和各阶相似度的权重计算出重加权后的特征值Λ′；S6、对重加权后的特征值Λ′按绝对值的降序进行排序，并选择前d个特征值Λ′；S7、根据矩阵特征分解[Λ,X]计算出所述邻接矩阵A的前d个奇异值[U,Σ,V]；S8、根据奇异值[U,Σ,V]获取在低维向量空间中保持高阶近似性的嵌入向量；S9、使用十折交叉验证；S10、使用归纳矩阵补全法获得潜在药物‑靶点相互作用。本发明提高了预测精度并且提高表征的效率和性能。