-
公开(公告)号：CN114317675B
公开(公告)日：2024-06-21
申请号：CN202210007769.0
申请日：2022-01-06
Applicant: 福州大学
IPC: C12Q1/14 , C12Q1/10 , C12Q1/06 , C12Q1/04 , G06V20/69 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/08 , C12R1/385 , C12R1/445 , C12R1/19 , C12R1/01
Abstract: 本发明涉及一种基于机器学习定性和定量不同创面细菌的检测方法，包括以下步骤：步骤S1:获取制备琼脂平板，并获取平板菌落图像；步骤S2:对平板菌落图像采用OpenCV的absdiff差分算法获取平板菌落图像后续各个时间点与背景图的差分结果，并预处理，得到训练集；步骤S3:构建并训练DetectionNet二分类检测网络；步骤S4:将待测创面样本的平板菌落图像输入训练后的分类检测网络，确定样品中不同种类细菌类型。本发明对培养早期的细菌具有精准的定性和定量能力，有效提高检测效率。
-
Patent Agency Ranking
公开(公告)号：CN117542542A
公开(公告)日：2024-02-09
申请号：CN202311506205.2
申请日：2023-11-13
Applicant: 福州大学
Abstract: 本发明涉及一种基于深度学习的药物代谢相互作用评估方法，采用基于Transformer的网络模型学习分子图及分子模体图的特征，并采用联合注意力机制学习药物间的交互特征来预测药物代谢相互作用，进而预测药物代谢相互作用的类型及药物的代谢水平变化同时解释药物导致代谢相互作用的结构机理。该方法有利于提高用药安全性。
-
公开(公告)号：CN116612831A
公开(公告)日：2023-08-18
申请号：CN202310742263.9
申请日：2023-06-21
Applicant: 福州大学
IPC: G16C20/30 , G16C20/50 , G16C20/70 , G06N3/0442 , G06N3/0464 , G06N3/084
Abstract: 本发明提出深度学习结合模式生物斑马鱼的化学物质安全性评估方法，包括以下步骤；步骤S1、收集已知的化合物毒性数据信息形成数据集，划分为多个化合物种类和多个毒性种类，并标注有无毒性；步骤S2、转换数据集中化合物的SMILES分子结构数据，得到化合物的分子图，作为GRU‑GCN网络模型的输入；步骤S3、构建并训练带有注意力机制的双向门控循环单元的图卷积神经深度网络GRU‑GCN；步骤S4、将步骤S2得到的分子图输入到GRU‑GCN网络中，经迭代训练获得GRU‑GCN网络模型的权重参数；步骤S5、使用步骤S4训练好的GRU‑GCN模型，输入需要预测的化合物分子图，待模型提取到结构特征后，通过决策函数输出毒性预测结果；本发明可通过预测化合物对斑马鱼的毒性来筛选出存在安全性隐患的化合物。
-
公开(公告)号：CN114317675A
公开(公告)日：2022-04-12
申请号：CN202210007769.0
申请日：2022-01-06
Applicant: 福州大学
IPC: C12Q1/14 , C12Q1/10 , C12Q1/06 , C12Q1/04 , G06V20/69 , G06V10/764 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08 , C12R1/385 , C12R1/445 , C12R1/19 , C12R1/01
Abstract: 本发明涉及一种基于机器学习定性和定量不同创面细菌的检测方法，包括以下步骤：步骤S1:获取制备琼脂平板，并获取平板菌落图像；步骤S2:对平板菌落图像采用OpenCV的absdiff差分算法获取平板菌落图像后续各个时间点与背景图的差分结果，并预处理，得到训练集；步骤S3:构建并训练DetectionNet二分类检测网络；步骤S4:将待测创面样本的平板菌落图像输入训练后的分类检测网络，确定样品中不同种类细菌类型。本发明对培养早期的细菌具有精准的定性和定量能力，有效提高检测效率。
-
公开(公告)号：CN111370073A
公开(公告)日：2020-07-03
申请号：CN202010122995.4
申请日：2020-02-27
Applicant: 福州大学
Abstract: 本发明涉及一种基于深度学习的药物互作规则预测方法。使用大量具有药物互作规则的药物对标签训练基于图卷积以及全连的深度学习网络。网络首先训练三层权重共享的图卷积(GCNN)以及注意力池化来提取到输入药物对的高纬度特征，然后通过三层全连接(FN)神经网络进行进一步特征提取，最后通过一个多分类函数进行药物互作规则的预测。将训练好的网络应用到当前需要预测的药物对，在决策层即可获得输入药物对的互作结果。本发明中的网络可以有效地识别115种药物相互作用规则，不仅可以在药物发现过程中对候选分子可能药物互作的预测，而且同时可以指导合理地用药，促进用药安全。
-
公开(公告)号：CN111370073B
公开(公告)日：2023-04-07
申请号：CN202010122995.4
申请日：2020-02-27
Applicant: 福州大学
IPC: G16C20/30 , G06N3/0464 , G06N3/048 , G06N3/0475 , G06N3/042 , G06N3/084 , G06N3/09
Abstract: 本发明涉及一种基于深度学习的药物互作规则预测方法。使用大量具有药物互作规则的药物对标签训练基于图卷积以及全连的深度学习网络。网络首先训练三层权重共享的图卷积(GCNN)以及注意力池化来提取到输入药物对的高纬度特征，然后通过三层全连接(FN)神经网络进行进一步特征提取，最后通过一个多分类函数进行药物互作规则的预测。将训练好的网络应用到当前需要预测的药物对，在决策层即可获得输入药物对的互作结果。本发明中的网络可以有效地识别115种药物相互作用规则，不仅可以在药物发现过程中对候选分子可能药物互作的预测，而且同时可以指导合理地用药，促进用药安全。
-
-
-
-
-
Search Results
6
records
(took 0.017 seconds)
