-
公开(公告)号：CN117012382A
公开(公告)日：2023-11-07
申请号：CN202310581700.3
申请日：2023-05-22
Applicant: 东北林业大学
IPC: G16H50/30 , G16B40/00 , G06F18/22 , G06F18/214 , G06F18/243 , G06F18/25 , G06N3/0464 , G06N3/08
Abstract: 基于深度特征融合的疾病相关circRNA预测系统，本发明涉及疾病相关circRNA预测系统。本发明的目的是为了解决现有基于机器学习的方法只是将circRNA和disease的特征分别处理后进行简单的拼接，只关注网络中相邻结点的特征和本身的特征，没有将disease的特征信息与circRNA的特征信息进行整合，导致disease的特征与circRNA特征中的有效信息没有得到充分利用，对disease与circRNA的关联性预测准确率低的问题。系统包括：circRNA‑disease之间的关联关系获取模块、矩阵获取模块、circRNA整合相似性矩阵获取模块、disease整合相似性矩阵获取模块、局部特征提取模块、circRNA的全局特征提取模块、disease的全局特征提取模块、disease特征获取模块、circRNA特征获取模块、disease与circRNA的关联预测模块、待测模块。本发明用于生物信息领域。
-
公开(公告)号：CN115547407A
公开(公告)日：2022-12-30
申请号：CN202211287199.1
申请日：2022-10-20
Applicant: 东北林业大学
Abstract: 基于深度自动编码器的lncRNA‑蛋白质相互作用预测方法，涉及生物信息学领域。本发明是为了解决现有lncRNA‑蛋白质相互作用预测方法还存在特征表达能力低导致的样本在特征空间的分布区别不大，进而导致lncRNA‑蛋白质相互作用的预测准确率低的问题。本发明包括：获取待预测的lncRNA初始特征和蛋白质初始特征，并将待预测的lncRNA初始特征和蛋白质初始特征输入到训练好的lncRNA‑蛋白质相互作用预测模型中，获得相互作用预测结果；本发明利用边际Fisher分析方法学习lncRNA‑蛋白质相互作用样本的最优分类特征，提高了lncRNA‑蛋白质相互作用预测的准确率。本发明用于预测lncRNA‑蛋白质相互作用关系。
-
公开(公告)号：CN119479784A
公开(公告)日：2025-02-18
申请号：CN202411539537.5
申请日：2024-10-31
Applicant: 东北林业大学
Abstract: 一种基于图神经网络的药物靶点亲和力预测方法，涉及一种药物靶点亲和力预测方法。为了解决现有方法存在药物靶点亲和力预测精度低的问题。本发明从药物原子图中学习药物全局特征；对正例蛋白质疏水图、正例蛋白质氢键图、正例蛋白质接触图提取氨基酸正例特征，进行融合池化得到氨基酸正例融合池化特征作为蛋白质全局特征；对药物原子图抽取子图得到药物子图特征作为药物局部信息；对正例蛋白质疏水图、正例蛋白质氢键图、正例蛋白质接触图抽取子图，得到蛋白质子图特征作为蛋白质局部信息。药物局部特征和药物全局特征拼接为药物特征，蛋白质局部特征和蛋白质全局特征拼接为蛋白质特征，二者拼接为药物‑蛋白质联合特征，用于药物靶点亲和力预测。
-
公开(公告)号：CN117637019A
公开(公告)日：2024-03-01
申请号：CN202311657851.9
申请日：2023-12-06
Applicant: 东北林业大学
Abstract: 药物‑miRNA关联预测是药物开发领域重要的前沿研究问题。传统的方法首先根据先验的药物‑miRNA关联数据构建异构网络，再通过分析药物‑miRNA异构网络中的节点特征和拓扑关系进行药物‑miRNA关联预测。然而，先验的药物‑miRNA关联数据比较稀疏并且噪声较多，严重影响药物‑miRNA关联预测方法的准确率。针对这一问题，本发明提出了一种基于多通道稀疏处理的药物‑miRNA关联预测方法。首先，运用矩阵分解、有界核范数计算与图神经网络等多种方法构建多个数据处理通道；然后，利用上述数据处理通道分别对先验数据进行数据增强和降噪处理；最后，采用贝叶斯优化算法融合多通道数据并预测药物‑miRNA关联关系。本发明所提出的方法能够有效地提升药物‑miRNA关联预测的准确率，为深入挖掘药物与miRNA之间的潜在关联关系提供更加有效的工具。
-
公开(公告)号：CN116343909A
公开(公告)日：2023-06-27
申请号：CN202310228158.3
申请日：2023-03-10
Applicant: 东北林业大学
Abstract: 本发明公开了一种基于深度图神经网络的药物‑疾病关联预测方法，包括：得到药物和疾病的多源特征数据以及药物‑疾病的原始关联矩阵；采用高斯核函数分别构建药物和疾病的相似性矩阵，对原始关联矩阵进行随机游走；分别将药物和疾病的相似性矩阵输入至两个独立的图神经网络中进行监督学习，提取药物和疾病的特征表示；利用矩阵整合药物和疾病的特征表示，得到本次的药物‑疾病预测关联矩阵；将本次的药物‑疾病预测关联矩阵代替随机游走后的药物‑疾病关联矩阵，使两个图神经网络重复进行上述监督学习，直至满足预设优化目标，得到最终的预测模型。本发明可更好的获取药物与疾病之间的相互作用信息，提高潜在的药物‑疾病关联预测精度。
-
Patent Agency Ranking
公开(公告)号：CN119274661A
公开(公告)日：2025-01-07
申请号：CN202411316315.7
申请日：2024-09-20
Applicant: 东北林业大学
IPC: G16B40/20 , G16B50/10 , G16B20/00 , G06F18/213 , G06F18/24 , G06F18/25 , G06N5/02 , G06N3/042 , G06N3/0464 , G06N3/088
Abstract: 基于图注意力的lncRNA功能预测方法、存储介质及设备，属于生物信息技术学领域。为了解决现有lncRNA功能预测方法中先验的lncRNA功能注释数据很少，需要借用蛋白质功能注释数据来间接预测lncRNA的功能导致准确率较低的问题。本发明首先运用基于交叉注意力机制的图对比学习方法提取多种lncRNA相似性信息，生成综合相似性矩阵；然后利用知识图谱嵌入模型提取GO图中GO术语的特征，生成GO语义相似性矩阵；最后构建GCN和GAT结合的图表示学习模型学习到lncRNA和GO的特征，采用KAN分类器预测lncRNA的GO功能注释信息。本发明所提出的方法能够有效提升lncRNA功能预测的准确率。
-
公开(公告)号：CN118866109A
公开(公告)日：2024-10-29
申请号：CN202410820585.5
申请日：2024-06-24
Applicant: 东北林业大学
IPC: G16B40/00 , G16B40/30 , G16B20/20 , G16B20/50 , G16B50/10 , G16B50/30 , G16H70/40 , G16H20/10 , G06N3/0499 , G06N3/0895 , G06F18/25 , G06F18/22 , G06N5/022 , G06N3/048
Abstract: 一种基于知识图谱的癌症药物反应预测方法，属于生物信息技术领域。为了解决现有癌症药物反应预测准确率低且不具备可解释性的问题，本发明基于细胞系、药物、组织与蛋白质关系的异构数据构建知识图谱，再利用元路径生成了多个子知识图谱，然后采用基于多水平注意力机制的层次传播策略在子知识图谱上提取和融合高阶邻居信息，以更新药物和细胞系的嵌入表示；最后通过对比学习引入药物细胞系对相似性信息后，再利用习得的细胞系药物嵌入预测癌症细胞系对药物的敏感程度。本发明用于癌症药物反应预测。
-
公开(公告)号：CN116543852A
公开(公告)日：2023-08-04
申请号：CN202310317847.1
申请日：2023-03-29
Applicant: 东北林业大学
Abstract: 本发明公开了一种基于暹罗结构与图对比学习的DDI预测方法，包括：收集药物‑药物相互作用文本数据以及药物的理化性质数据文件和靶向关系数据文件；提取药物的理化性质特征以及靶向关系特征，进行融合后获取基于药物理化性质与靶向关系的初始特征；计算药物‑药物相互作用邻接矩阵，结合初始特征构建药物‑药物相互作用异构图；将异构图输入到基于暹罗结构的图对比学习模型中，学习获得药物节点的嵌入特征；利用链路预测方法计算任意两个药物节点之间边的得分。本发明能够缓解当药物靶向关系特征和药物‑药物相互作用文本数据稀疏时难以单独使用、对模型性能产生影响的问题，提高了药物‑药物相互作用预测的准确率，可应用于识别药物之间潜在的相互作用。
-
公开(公告)号：CN115547407B
公开(公告)日：2023-04-18
申请号：CN202211287199.1
申请日：2022-10-20
Applicant: 东北林业大学
IPC: G16B20/00 , G16B40/20 , G06F18/2431 , G06F18/2132 , G06N3/0455 , G06N3/08
Abstract: 基于深度自动编码器的lncRNA‑蛋白质相互作用预测方法，涉及生物信息学领域。本发明是为了解决现有lncRNA‑蛋白质相互作用预测方法还存在特征表达能力低导致的样本在特征空间的分布区别不大，进而导致lncRNA‑蛋白质相互作用的预测准确率低的问题。本发明包括：获取待预测的lncRNA初始特征和蛋白质初始特征，并将待预测的lncRNA初始特征和蛋白质初始特征输入到训练好的lncRNA‑蛋白质相互作用预测模型中，获得相互作用预测结果；本发明利用边际Fisher分析方法学习lncRNA‑蛋白质相互作用样本的最优分类特征，提高了lncRNA‑蛋白质相互作用预测的准确率。本发明用于预测lncRNA‑蛋白质相互作用关系。
-
公开(公告)号：CN119207579A
公开(公告)日：2024-12-27
申请号：CN202411209235.1
申请日：2024-08-30
Applicant: 东北林业大学
IPC: G16B40/00 , G16B45/00 , G06N3/0464 , G06N3/045 , G06N3/042 , G06N3/0895 , G06F18/25
Abstract: 一种多通道注意力机制的lncRNA‑miRNA关联预测方法，涉及一种lncRNA‑miRNA关联预测方法。为了解决现有方法未能恰当地融合多种数据源的特征表示且未能通过对比学习方法学习样本之间的相似性和差异性，导致可能没有学习到更加有效和鲁棒的特征表示的问题。本发明得到lncRNA和miRNA的多源数据并计算得到多种相似性矩阵和编码矩阵；结合图卷积网络和Transformer，从局部和全局两个角度捕捉信息；利用多通道的注意力机制来融合不同数据源的特征表示；并引入对比学习方法进一步优化特征表示，确保相同lncRNA或miRNA的不同模态特征之间的一致性，增强模型的辨别能力；最终预测阶段利用KAN得到lncRNA‑miRNA关联的预测得分，进一步提高了参数和计算效率。
-
-
-
-
-
-
-
-
-
Search Results
17
records
(took 0.023 seconds)
