-
公开(公告)号：CN116913369A
公开(公告)日：2023-10-20
申请号：CN202310245763.1
申请日：2023-03-15
Applicant: 中国石油大学(华东)
Abstract: 本发明为一种基于多尺度残差网络的蛋白质‑蛋白质相互作用预测算法，从而实现快速预测两个蛋白质是否发生相互作用，以促进靶向药物开发和疾病防治，为药物设计和疾病预防提供新的思路，包括1)利用蛋白质数据库的预训练模型获取氨基酸对之间的信息，添加氨基酸组成及顺序、理化性质、信息熵高效编码蛋白质序列；2)通过多尺度残差网络对蛋白质信息进行特征提取，保证蛋白质特征向量构建模块所得到的信息被充分学习；3)通过特征向量归一化与相互作用预测模块，对残差网络模块所得到的多特征进行融合拼接和特征向量归一化处理，最终得到蛋白质‑蛋白质相互作用预测结果；4)对模型进行参数调优，并在多个种内、种间、疾病及网络数据集验证模型的可用性。
-
公开(公告)号：CN116167916A
公开(公告)日：2023-05-26
申请号：CN202211598964.1
申请日：2022-12-14
Applicant: 中国石油大学(华东)
IPC: G06T3/40 , G06V10/774 , G06V10/82 , G06V10/80 , G06V10/20 , G06N3/0475 , G06N3/045 , G06N3/096 , G06N3/0985
Abstract: 本发明涉及一种基于元学习的多模态热带气旋遥感图像的超分辨率方法与系统。本发明涉及海洋大气遥感图像处理技术领域。所述方法与系统包括以下步骤：步骤一：数据预处理与构建数据集：用于多模态的热带气旋图像超分辨率任务，数据源于HURSAT公开数据集。通过经纬度和时间的匹配，对卫星数据进行掩膜处理，以及数据对齐、区间缩放与标准化、异常值处理等。步骤二：利用元学习的思想对多模态数据进行特征信息的提取：利用元学习和生成对抗网络进行超分辨率任务的学习，通过引入生成对抗网络来学习超分辨率的重构，通过引入元学习来让网络学习不同模态之间的特征信息。步骤三：利用迁移学习训练不同模态下的单独的生成器和鉴别器：利用多模态任务中的大量数据预训练网络，将元学习学到的多模态特征信息迁移到单一模态。步骤四：结合步骤二和步骤三训练的模型，共同组成多模态遥感图像超分辨率系统算法部分。利用软件工程的相关知识，将训练好的模型和系统部署于云端。
-
公开(公告)号：CN115905724A
公开(公告)日：2023-04-04
申请号：CN202211683131.5
申请日：2022-12-27
Applicant: 中国石油大学(华东)
IPC: G06F16/9536 , G06F16/9535 , G06F21/64 , G06Q50/00
Abstract: 本发明实施例提供了一种基于双层舆情区块链的重大舆情事件溯源方法。本发明的一种基于双层舆情区块链的重大舆情事件溯源方法，通过构建双层区块链，基于区块链的防篡改与可追溯性，实现对舆论平台和社交网络平台中的各个用户行为全流程可追踪，以用户节点影响力增长幅度与情感分析算法融合机制，实现异常舆情快速识别，通过双层区块链查询用户行为与用户所属社区数据，挖掘推动舆情发展的个人与群体的信息，实现重大舆情事件的溯源。本发明实施例还提供一种基于双层舆情区块链的重大舆情事件溯源装置。
-
公开(公告)号：CN114613425A
公开(公告)日：2022-06-10
申请号：CN202210236106.6
申请日：2022-03-10
Applicant: 中国石油大学(华东)
Abstract: 本发明涉及药物‑靶点相互作用预测技术、深度学习领域，具体为一种基于图卷积和相似性的药物‑靶点相互作用预测算法。包括：1)通过DrugBank和RCSB等公开数据库获取药物、蛋白质和DTI相关数据；2)通过全局结构相似性提取分子间结构信息；3)通过DeepChem提取药物分子和蛋白质分子的单体特征信息；4)通过特征降维、特征融合和归一化处理得到药物‑靶点相互作用预测结果；5)对模型进行参数调优，不断提升预测准确率，最优模型将用于辅助药物发现、药物验证和药物副作用等研究。
-
公开(公告)号：CN114417693A
公开(公告)日：2022-04-29
申请号：CN202111419229.5
申请日：2021-11-26
Applicant: 中国石油大学(华东)
IPC: G06F30/27 , G06N3/04 , G06N3/08 , G06F119/08 , G06F111/10
Abstract: 本发明公开了一种基于深度学习的海洋三维温度场反演方法，属于海洋反演技术领域，该方法首先获取含有海洋表面特征的数据样本库，对不同特征进行预处理，得到具有时空关联性的海洋三维温度场样本库；其次基于所述的海洋三维温度场样本库，利用卷积长短期记忆网络建立海洋三维温盐场反演模型：反演模型的输入为海洋环境特征，包括海表面温度、海表面盐度、海面风，反演模型的输出为海洋次表面的温度场数据；反演模型的最终输出为海面下100米、200米、500米、1000米及2000米的反演温度场。本发明利用深度学习的强非线性映射能力和多模态融合能力来开展海洋三维时空温度场的反演分析，实现了次表层温度场及时、准确、轻量化反演。
-
Patent Agency Ranking
公开(公告)号：CN114400047A
公开(公告)日：2022-04-26
申请号：CN202210048433.9
申请日：2022-01-17
Applicant: 中国石油大学(华东)
Abstract: 本发明提供一种基于连通图和生成式对抗网络的数据批次效应矫正方法，包括如下步骤：1)数据预处理2)构建跨批次相似细胞连通图3)使用生成式对抗网络矫正批次效应。本发明属于生物信息分析技术领域，本发明提供的基于连通图和生成式对抗网络的数据批次效应矫正方法，为两批次、多批次、非重叠和小样本单细胞RNA‑seq数据集存在的批次效应提供了解决方案，它以来自不同批次的基因表达谱矩阵作为输入，并输出矫正后的基因表达谱，经过矫正后的基因表达可以结合每个批次的特征，并按照设定的模式调整每个批次的基因表达，这为研究不同批次细胞基因表达差异提供了新的见解。
-
公开(公告)号：CN114038516A
公开(公告)日：2022-02-11
申请号：CN202111414061.9
申请日：2021-11-25
Applicant: 中国石油大学(华东)
Abstract: 本发明提出了一种基于变分自编码器的分子生成与优化，其特征在于，包括如下步骤：步骤1、将分子分解为子结构；步骤2、在变分自编码器和门控神经网络基础上构建生成模型，并通过该生成模型将子结构转变为分子子结构树，通过逐步添加子结构的方式生成化合物分子；步骤3、利用优化模型对化合物分子的隐向量进行优化，最终形成优化后的化合物分子，借此，本发明将分子转变为分子子结构树，在解码器过程中提出一种自回归模型，该模型通过逐步添加子结构的方式生成化合物分子，模型较好地学习到了分子子结构之间的连接关系，规避了节点添加过程中的化合价检测，解决了现有技术中的问题。
-
公开(公告)号：CN113593633A
公开(公告)日：2021-11-02
申请号：CN202110878705.3
申请日：2021-08-02
Applicant: 中国石油大学(华东)
Abstract: 本发明提出了一种基于卷积神经网络的药物‑蛋白相互作用预测模型，该预测模型的构建方法如下：步骤1、为靶点蛋白质的结合位点构建包围盒描述符，利用三层3D卷积神经网络提取多通道的结合位点空间结构特征；步骤2、基于靶点蛋白质的氨基酸序列，利用三层1D卷积神经网络提取蛋白质的氨基酸构成特征；步骤3、为待筛选的药物分子构建分子图，利用三层图卷积神经网络提取药物分子特征；步骤4、将得到的所有特征进行组合得到整体特征后，输入至两层全连接网络预测药物‑蛋白的相互作用，借此，本发明具有不仅考虑了与对接过程密切相关的结合位点的局部特征，还考虑了蛋白质的全局特征，并将这些特征预测化合物‑蛋白质相互作用的优点。
-
公开(公告)号：CN110247850B
公开(公告)日：2021-07-09
申请号：CN201910531164.X
申请日：2019-06-19
Applicant: 中国石油大学(华东)
IPC: H04L12/751 , H04L12/733 , H04L12/747 , H04L12/861
Abstract: 本发明属于船联网通信技术领域，特别涉及机会网络通信，具体是一种基于动态路由表的船联网协议实现方法。主要原理是：每个节点在缓存中维护一个动态路由表，并根据所有节点的路由表构造当前网络的连接拓扑图。若发送节点与目的节点在同一连通图内，根据机会连通路由算法进行数据传输；若发送节点与目的节点不在同一连通图内，根据机会非连通路由算法进行数据传输。若发送节点的下一跳中没有目的节点，则发送节点在更新路由表时继续向网络中发送数据包。数据传输过程中，发送节点与接收节点交换已传输成功数据包列表，删除缓存中的已传输成功数据包。本发明可以适应海洋网络通信环境，以相对低廉的成本进行海量非实时数据传输，提出的路由算法可以有效减少时延，提高效率。
-
公开(公告)号：CN112582020A
公开(公告)日：2021-03-30
申请号：CN202011499680.8
申请日：2020-12-18
Applicant: 中国石油大学(华东)
Abstract: 本发明公开了一种基于边缘注意力机制的预测化合物蛋白质亲和力方法。所述方法包括双向门控循环单元(BiGRU)模型和卷积神经网络(CNN)模型，整个网络架构为BiGRU/BiGRU‑CNN，其中BiGRU/BiGRU模型中加入了边缘注意力机制(Marginalized_Attention)。模型的输入为化合物序列与蛋白质序列，二者输入到BiGRU/BiGRU模型里。其中化合物序列表示为加入化合物分子理化性质的SMILES字符串称为SMILES#，蛋白质序列表示由蛋白质的结构属性编码而成。BiGRU/BiGRU输出为经过边缘注意力模型表示的化合物特征向量和蛋白质特征向量。所述的CNN模型由卷积层、池化层、全连接层组成，该模型的输入为化合物特征向量、蛋白质特征向量；该BiGRU/BiGRU‑CNN模型的最终输出为预测化合物蛋白质亲和力值的根均方误差值。
-
-
-
-
-
-
-
-
-
Search Results
113
records
(took 0.032 seconds)
