专利交易市场

一种基于深度神经网络评估蛋白质结构模型质量的方法，设计了一种自注意的图神经网络能预测出蛋白质模型的质量，根据输入模型提取出特征：蛋白质模型中重原子编码、局部空间坐标、高斯距离谱和氢键编码，预测出蛋白质模型和天然蛋白每对氨基酸之间的相似度分数以及两者之间的整体相似度分数，从而判定蛋白质模型的质量。本发明将评估分数设在[0,1]，分数越高表示与真实的结构越接近。用庞大数据来学习结构相似性，在不依赖于真实结构的情况下，仅根据预测的模型来估计其每个残基的质量，对于进一步的模型精修以及挑选具有重要意义。

本发明属于图神经网络技术领域，具体涉及一种基于图像图表示与图神经网络的骨关节健康状态评估方法及系统；该方法包括：获取带有标签的骨关节图像；对骨关节图像中的膝盖部位进行定位，将每张图像均切分为左膝盖图像和右膝盖图像；对每张图像进行图表示，得到骨关节图像的节点信息、边信息和邻接矩阵；将训练集输入到基于图神经网络的骨关节健康状态评估模型中进行训练，并且对测试集骨关节健康等级进行评估，得到最佳评估结果和模型；使用该模型评估骨关节健康等级，可视化图神经网络在评估过程中对图像关注区域的热力图；本发明评估精度高，可解释性好，实用性高，具有良好的应用前景。

本发明公开的属于药物与疾病关联预测技术领域，具体为一种基于双曲图特征学习网络的药物与疾病关联预测方法，包括具体步骤如下：S1：从数据库获取药物疾病关联数据，用于构建药物相似度矩阵DR和疾病相似度矩阵DS，将其特征提取后映射到双曲空间中，得到双曲药物初始特征矩阵ZRH、双曲疾病初始特征矩阵ZDH，用于构建药物‑疾病邻接矩阵A。本发明通过双曲图特征重构器和双曲异质变动图转换器有效提取了相似特征和异质特征，提升了特征的准确性；此外，双曲协同表征学习策略有效融合了相似特征和异质特征，提升了特征的全面性；另外，正负融合难例采样策略合成了最具信息性的负样本，能更好地区分正负样本对。

本发明公开一种基于图深度学习的EMR信息关联及演化方法，包括如下步骤：EMR数据预处理：获取EMR数据集，得到EMR的实体词典；EMR图构建：实体词典中的词转换为向量表示，并得到EMR图的向量矩阵以及EMR图的邻接矩阵，组合构成EMR图；EMR图深度学习模型构建：根据得到的EMR数据集对应的所有EMR图，构建出EMR图深度学习模型的输入图数据集，从而进一步获得图深度学习模型F；EMR信息关联及演化：将任意一条EMR数据，喂入图深度学习模型F，构建EMR图的演化序列。本发明提出一种基于图深度学习的EMR信息关联及其演化方法，采用图深度学习方法对电子病历数据进行建模，利用网络关系图可视化技术展示电子病历结构信息的演化过程，实现知识发现和可解释深度学习。

本发明属于生物信息学领域，涉及一种基于异质图扩散卷积网络的癌症驱动基因识别方法。癌症驱动基因的精准识别对于制定有效的治疗方案至关重要。本发明通过多层卷积来提高对癌症驱动基因的准确识别性能。首先，引入了图扩散生成辅助网络，对原始图数据进行数据增强以更好地捕获生物分子网络中的关联信息。其次，构建特征提取模块进行特征提取，其包括一个全连接层和四个图注意力卷积层。最后，将提取到的特征矩阵输入到分层注意力分类器得到癌症驱动基因的预测评分。实验证明，本发明不仅有效识别了不同网络上的已知驱动基因，还发现了新的癌症候选基因，为精准医学和个体化治疗提供了有力支持，进一步推动了癌症研究和治疗的发展。