-
公开(公告)号：CN120015132A
公开(公告)日：2025-05-16
申请号：CN202411845699.1
申请日：2024-12-16
Applicant: 安徽大学
IPC: G16B40/20 , G16B50/10 , G06N5/01 , G06N3/042 , G06N3/0464 , G06N3/0455 , G06N3/0895 , G06N3/09
Abstract: 本发明公开了一种基于多尺度对比学习的空间转录组学细胞聚类的方法，包括以下步骤：S1，进行数据预处理；S2，使用处理后的数据进行图构建；S3，进行数据增强；S4，使用GCN提取细胞基因表达信息；S5，使用ContraNorm层丰富节点信息；S6，使用多尺度图对比学习进一步学习信息，并用学习得到的最终信息进行生物学分析。本发明利用计算机辅助细胞类型分析，无需大量高质量数据，只需利用基因表达数据和细胞空间位置信息数据，就能预测哪些细胞属于同一个类别，提供更多的有效信息帮助研究人员识别癌症的起始和疾病的发展。
-
公开(公告)号：CN109858557A
公开(公告)日：2019-06-07
申请号：CN201910113156.3
申请日：2019-02-13
Applicant: 安徽大学
Abstract: 本发明公开了一种新的高光谱图像数据半监督分类算法，该方法为，首先获取到所有的高光谱数据，并将其作为初始数据；其次使用稀疏子空间聚类作为聚类方法来聚合所有的初始数据，并获取所有初始数据的伪标签；其次在CNN1中对所有的初始数据及其伪标签进行预训练；对于CNN1中分类层中的目标函数，提出了基于度量学习的新的目标函数；之后利用CNN1除去最后的分类层，再加上全连接层构成了CNN2；之后将带标签的数据以及它们的已知真实标签对CNN2进行微调。本发明是通过利用伪标签进行高光谱图像分类的半监督深度学习机制；用两段式训练，扩展了训练信息；为了更好的掌握高光谱样本结构特征的问题，在预训练阶段提出了新的目标函数。
-
公开(公告)号：CN119229958A
公开(公告)日：2024-12-31
申请号：CN202411316427.2
申请日：2024-09-20
Applicant: 安徽大学
IPC: G16B20/00 , G06F17/16 , G16B40/00 , G06N3/042 , G06N3/0464
Abstract: 本发明公开了一种基于深层有向图卷积的基因网络调控关系的重构方法，包括：1、使用Node2Vec方法获取酿酒酵母菌基因调控网络的拓扑信息；2、对于酿酒酵母菌因调控网络使用图数据增强手段，获得更高效的信息表达；3、对于酿酒酵母菌基因调控网络的调控方向问题，使用有向图神经网络的预测调控关系方向信息；4、构建深层有向图卷积模型，获取基因高阶的邻居信息；5、将酿酒酵母菌基因的表达特征和步骤1、2中得到的特征进行拼接后输入到模型中得到酿酒酵母菌调控网络预测分数矩阵，根据预测分数矩阵和阈值之间的关系，判断基因间是否存在调控关系。本发明能准确预测酿酒酵母菌基因间的调控关系，有助于更高效地研究生物体生化反应的本质。
-
Patent Agency Ranking
公开(公告)号：CN118942554A
公开(公告)日：2024-11-12
申请号：CN202411413098.3
申请日：2024-10-11
Applicant: 安徽大学
IPC: G16B40/00 , G16B50/30 , G16B20/50 , G16B25/10 , G06F18/25 , G06N3/042 , G06N3/0464 , G06N3/0985 , G06N3/048
Abstract: 本发明的一种基于多层图卷积神经网络的癌症驱动基因识别方法及设备，包括将收集到的基因的多组学特征进行相关预处理和计算，得到基因融合特征；将收集到的基因作为基因结点，基因之间的功能作为基因结点之间的边，得到基因网络；根据基因网络得到网络拓扑特征；将基因融合特征和网络拓扑特征输入到两个独立的多层图卷积神经网络中进行训练；将训练的结果分别送入两个独立的预测器中，得到每个基因最终的预测分数。本发明使用多层图卷积神经网络来学习节点的高阶邻居的特征，从而捕获同类基因之间的信息；在每一层图卷积神经网络中结合初始残差和身份映射技术；使用支持深度优先和广度优先搜索的随机游走算法，来提取网络的全局拓扑特征。
-
公开(公告)号：CN118942554B
公开(公告)日：2024-12-10
申请号：CN202411413098.3
申请日：2024-10-11
Applicant: 安徽大学
IPC: G16B40/00 , G16B50/30 , G16B20/50 , G16B25/10 , G06F18/25 , G06N3/042 , G06N3/0464 , G06N3/0985 , G06N3/048
Abstract: 本发明的一种基于多层图卷积神经网络的癌症驱动基因识别方法及设备，包括将收集到的基因的多组学特征进行相关预处理和计算，得到基因融合特征；将收集到的基因作为基因结点，基因之间的功能作为基因结点之间的边，得到基因网络；根据基因网络得到网络拓扑特征；将基因融合特征和网络拓扑特征输入到两个独立的多层图卷积神经网络中进行训练；将训练的结果分别送入两个独立的预测器中，得到每个基因最终的预测分数。本发明使用多层图卷积神经网络来学习节点的高阶邻居的特征，从而捕获同类基因之间的信息；在每一层图卷积神经网络中结合初始残差和身份映射技术；使用支持深度优先和广度优先搜索的随机游走算法，来提取网络的全局拓扑特征。
-
公开(公告)号：CN109858557B
公开(公告)日：2022-12-27
申请号：CN201910113156.3
申请日：2019-02-13
Applicant: 安徽大学
IPC: G06V10/774 , G06V10/762 , G06V10/82 , G06N3/04
Abstract: 本发明公开了一种新的高光谱图像数据半监督分类算法，该方法为，首先获取到所有的高光谱数据，并将其作为初始数据；其次使用稀疏子空间聚类作为聚类方法来聚合所有的初始数据，并获取所有初始数据的伪标签；其次在CNN1中对所有的初始数据及其伪标签进行预训练；对于CNN1中分类层中的目标函数，提出了基于度量学习的新的目标函数；之后利用CNN1除去最后的分类层，再加上全连接层构成了CNN2；之后将带标签的数据以及它们的已知真实标签对CNN2进行微调。本发明是通过利用伪标签进行高光谱图像分类的半监督深度学习机制；用两段式训练，扩展了训练信息；为了更好的掌握高光谱样本结构特征的问题，在预训练阶段提出了新的目标函数。
-
公开(公告)号：CN119541649A
公开(公告)日：2025-02-28
申请号：CN202411307234.0
申请日：2024-09-19
Applicant: 安徽大学
IPC: G16B40/00 , G06N3/0455 , G06N3/08 , G06N3/042 , G06N3/0464 , G06N3/0895
Abstract: 本发明公开了一种基于掩码图自编码器的基因识别方法，其步骤包括：1、获取基因相互作用数据和组学特征数据并进行预处理；2、对处理后的数据进行掩码，具体包括两个分支，节点掩码模块和边掩码模块；3、将掩码后的网络输入到图自动编码器中训练，图自动编码器通过重构网络的节点和边来学习网络的嵌入表示；4、通过训练好的的编码器得到特征的低维嵌入，最后使用逻辑回归分类器进行基因的分类。本发明通过对网络中的节点和边分别进行掩码来同时关注图的节点信息和结构信息，并以自监督学习的方式减少了特征训练模型对标签信息的依赖，从而能精确地对基因进行分类。
-
公开(公告)号：CN118136244A
公开(公告)日：2024-06-04
申请号：CN202410048340.5
申请日：2024-01-12
Applicant: 安徽大学
IPC: G16H50/30 , G06F18/25 , G06V10/52 , G06V10/77 , G06V10/80 , G06V10/82 , G16B30/00 , G16B40/00 , G06N3/0464 , G06N3/0499 , G06N3/042 , G06N3/045 , G06N3/08
Abstract: 本发明公开了一种基于Transformer的风险评分方法，其步骤包括：1.获取病理组织图像与基因组数据；2.建立病理图像与基因组特征提取模块；3.将提取的病理图像特征与基因组特征进行融合；4.利用建好的模型生成用户的风险评分。本发明能利用病理图像的细粒度特征以及用户的相互依赖关系，增强后的用户的基因组特征，从而能准确预测用户的风险评分。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.019 seconds)
