-
公开(公告)号：CN120067895A
公开(公告)日：2025-05-30
申请号：CN202510533729.3
申请日：2025-04-27
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06F18/243 , G06F18/213 , G06F18/214
Abstract: 本发明涉及一种基于度量学习的系统发生树构建方法。它解决了现有技术中系统发生树构建计算复杂度高且效率低下，准确度不佳的问题。它包括S1、收集包含核酸序列及对应已构建进化树的公开数据集；S2、对收集的数据集进行特征提取；S3、设计并构建度量学习模型，优化数据点之间的相似性度量；S4、使用训练集对度量学习模型进行训练并生成相似性矩阵；S5、基于生成的相似性矩阵，使用系统发生树构建算法构建树形结构并进行结果验证；S6、应用分析。本发明的优点在于：克服了传统方法中距离测量精度低、模型假设局限性强、计算复杂度高等问题，实现了大规模生物数据下系统发生树的高效构建。
-
Patent Agency Ranking
公开(公告)号：CN115798568A
公开(公告)日：2023-03-14
申请号：CN202211444626.2
申请日：2022-11-18
Applicant: 电子科技大学长三角研究院(衢州)
Abstract: 本发明提供了一种预测microRNA和疾病关联的模型的训练方法，将microRNA和疾病的关联的样本集，输入链路传播网络进行训练，得到目标预测microRNA和疾病关联的模型。本发明解决了现有技术中存在的模型预测精确度不高的问题，利用链路传播原理，如果某一个节点和另一个节点的相似度较高，那么这个节点代表的microRNA和疾病的关联就可以被传播到另一个节点中，从而使得预测更加准确。
-
公开(公告)号：CN116343915B
公开(公告)日：2023-11-24
申请号：CN202310249336.0
申请日：2023-03-15
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G16B20/20 , G06F18/241 , G06F18/25 , G06F18/214 , G16B50/00
Abstract: 本方案公开了一种生物序列集成分类器的构建方法及生物序列预测分类方法，首先通过多序列比对技术构建序列核，通过表征生物序列之间的距离构建结构核，通过本体论的的标注，在树形结构上估算生物序列之间的距离来构建功能核；然后使用不同的多核学习方法求解核权重，使用多核融合技术融合序列核、功能核和结构核，基于序列核、结构核、功能核构建及训练相应的基分类器并集成为生物序列集成分类器，完成对生物序列的分类，针对生物序列的特殊性，从序列、结构和功能三维层面学习训练样本之间的距离关系，创新地提出“序列核”、“结构核”和功能核”，直接处理生物序列样本，避免了数值特征提取时造成的信息丢失与信息冗余。
-
公开(公告)号：CN116343915A
公开(公告)日：2023-06-27
申请号：CN202310249336.0
申请日：2023-03-15
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G16B20/20 , G06F18/241 , G06F18/25 , G06F18/214 , G16B50/00
Abstract: 本方案公开了一种生物序列集成分类器的构建方法及生物序列预测分类方法，首先通过多序列比对技术构建序列核，通过表征生物序列之间的距离构建结构核，通过本体论的的标注，在树形结构上估算生物序列之间的距离来构建功能核；然后使用不同的多核学习方法求解核权重，使用多核融合技术融合序列核、功能核和结构核，基于序列核、结构核、功能核构建及训练相应的基分类器并集成为生物序列集成分类器，完成对生物序列的分类，针对生物序列的特殊性，从序列、结构和功能三维层面学习训练样本之间的距离关系，创新地提出“序列核”、“结构核”和“功能核”，直接处理生物序列样本，避免了数值特征提取时造成的信息丢失与信息冗余。
-
公开(公告)号：CN118212983B
公开(公告)日：2024-09-20
申请号：CN202410638063.3
申请日：2024-05-22
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G16B20/30 , G16B40/00 , G16B30/10 , G06N3/0464 , G06N3/0455 , G06F18/24 , G06F18/27
Abstract: 本发明属于于计算生物学技术领域，具体涉及一种结合神经网络模型的核酸修饰位点识别方法。该包括处理核酸序列数据和搭建神经网络模型，所述处理核酸序列数据包括数据收集和预处理，通过偏序比对获得支持序列，通过多序列比对生成路径矩阵，最终得到每个样本对应的路径矩阵；所述搭建神经网络模型包括神经网络模型设计，该神经网络模型架构包括编码器、卷积神经网络和展平向量，路径矩阵通过神经网络模型最终得到输出值，通过该输出值判断样本序列中是否存在核酸修饰位点。本发明的技术方案利用先进的比对技术和深度学习方法，提高了核酸修饰位点识别的准确性和效率。
-
公开(公告)号：CN118212983A
公开(公告)日：2024-06-18
申请号：CN202410638063.3
申请日：2024-05-22
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G16B20/30 , G16B40/00 , G16B30/10 , G06N3/0464 , G06N3/0455 , G06F18/24 , G06F18/27
Abstract: 本发明属于于计算生物学技术领域，具体涉及一种结合神经网络模型的核酸修饰位点识别方法。该包括处理核酸序列数据和搭建神经网络模型，所述处理核酸序列数据包括数据收集和预处理，通过偏序比对获得支持序列，通过多序列比对生成路径矩阵，最终得到每个样本对应的路径矩阵；所述搭建神经网络模型包括神经网络模型设计，该神经网络模型架构包括编码器、卷积神经网络和展平向量，路径矩阵通过神经网络模型最终得到输出值，通过该输出值判断样本序列中是否存在核酸修饰位点。本发明的技术方案利用先进的比对技术和深度学习方法，提高了核酸修饰位点识别的准确性和效率。
-
-
-
-
-
Search Results
6
records
(took 0.027 seconds)
