本发明涉及生物信息技术领域,尤其是指一种高维小样本数据的药物反应预测方法,包括:构建知识注入模型,知识注入模型利用从生物医学知识图谱提取的特征嵌入作为额外输入,并引入多样化稀疏特征提取模块和局部对齐上下文学习子模块。多样化稀疏特征提取模块通过对基因特征及其嵌入进行稀疏特征选择和选择性特征提取,从高维数据中提取多样化的高层次特征,局部对齐上下文学习子模块通过邻域注意力机制提取高层次特征嵌入之间的潜在信息交互,并通过自对齐策略保持原有的高层次特征信息。本发明在避免过拟合的同时,能够更有效地捕捉数据中的重要信息,显著提高了药物反应预测的准确性。
📄 2024116245375
📂 G16B20_00
👤 江南大学, 江苏磐智数云科技有限公司
📅 2024-11-14
本发明公开了一种基于层次聚类的蛋白质相互作用网络全局比对方法,包括:获取两个生物网络的数据及序列相似性文件,节点i、节点j分别属于两个网络,考虑节点本身以及邻居节点的拓扑特征计算节点对(i,j)间的拓扑相似性得分T(i,j),根据序列相似性文件计算序列相似性得分B(i,j),结合T(i,j)和B(i,j)计算节点相似性得分S(i,j);采用层次聚类算法和组合优化算法筛选种子;计算种子的邻居节点的结构相似性得分score(i,j),根据score(i,j)扩展种子得到扩展集;构建二分图比对剩余节点对,合并得到比对集。本发明更全面地计算T(i,j),筛选种子并扩展、合并,提高比对结果的拓扑性能且覆盖范围更广;采用层次聚类算法和组合优化算法筛选种子,提升拓扑性能的同时保证生物性能,提高效率。
📄 2020108383356
📂 G16B20_00
👤 江南大学
📅 2020-08-19
本发明公开了一种结合网络聚类方法的全局多网络比对方法。本发明一种结合网络聚类方法的全局多网络比对方法,包括:步骤1.读取蛋白质相互作用网络数据和不同物种间的序列相似性数据,以及设定参数α和β,构建蛋白质相互作用网络G和序列相似性网络S;步骤2.对序列相似性数据进行预处理,利用参数β将序列相似性得分较小的边删除,得到过滤后的网络Sβ;步骤3.计算所有网络中每一个节点的权重;步骤4.在相应搜索的图中,采用网络聚类算法生成候选簇。本发明的有益效果:本发明采用的方法能够达到不错的比对效果,且能够产生在拓扑和生物功能意义上都不错的比对结果。
📄 2020104494684
📂 G16B20_00
👤 江南大学
📅 2020-05-25
本发明公开了一种融合多种拓扑信息的生物网络比对方法。本发明一种融合多种拓扑信息的生物网络比对方法,包括:步骤1读取网络及其序列相似性得分,分别计算两个网络的相关值矩阵,并对网络进行模块划分,同一模块内的结点具有较高的相似性;步骤2计算模块内结点的相似性得分,并对模块进行两两结点比对;步骤3计算模块间的相似性得分,并对模块进行比对;步骤4将步骤2,3中得到的结点映射关系进行整合,筛选,得到1对1的结点映射关系。本发明的有益效果:(1)从网络结构、度、结点邻居、特征向量中心性、局部边保守等方面充分挖掘了结点的拓扑相似性,提高了比对的拓扑质量。
📄 2020104494580
📂 G16B20_00
👤 江南大学
📅 2020-05-25
本发明公开了一种基于离散化蝙蝠算法的两个生物网络全局比对方法,包括:使用基于目标函数的搜索方法的框架,将蝙蝠算法离散化应用在网络比对中;融合先验知识初始化种群;保留保守节点的比对结果;蝙蝠算法的离散化体现在速度和解两方面,速度采用0或1表示当前解是否需要进行扰动,对蝙蝠个体的编码进行排列来表示个体的解。本发明的有益效果:在生物指标上及拓扑指标上表现均有不错表现的生物网络比对方法。
📄 2020104494468
📂 G16B20_00
👤 江南大学
📅 2020-05-25
本发明涉及生物信息学技术领域,公开一种MICP功能基因调控网络解析方法、装置、设备及介质,本方案将MICP功能基因的表达数据二值化并映射为一维有序序列;其次,将基因状态序列编码为量子态向量,并利用矩阵乘积态张量网络对其进行高效压缩表示;在此基础上,不仅计算基因对之间的量子互信息以构建二元调控骨架网络,更进一步计算多元量子互信息,以识别显著的多基因协同或冗余调控模块;最后,通过统计检验筛选可靠关系,整合构建出综合调控网络并进行功能分析,通过量子化与张量网络,突破了传统方法在高阶关系捕捉上的瓶颈,显著提升了网络推断的稳健性与解析深度。
📄 2026101887392
📂 G16B20_00
👤 龙岩学院
📅 2026-02-10
一种基于多轨迹和残基接触信息的蛋白质结构预测方法,首先,对目标构象和随机选取的两个构象分别启动采用不同能量函数的Monte Carlo轨迹进行搜索;在所有的轨迹搜索结束后,采用统一的能量函数对组装后的三个构象进行打分;其次,分别计算出每个构象的特征向量与初始特征向量的距离误差;最后,按照一定的权重计算出能量与距离误差的总分,根据总分的大小选出潜在构象,并且用潜在构象替换目标构象。本发明提出一种预测精度高、计算代价低的基于多轨迹和残基接触信息的蛋白质结构预测方法。
📄 2018109860355
📂 G16B20_00
👤 浙江工业大学
📅 2018-08-28
一种蛋白质结构预测算法评价指标构建方法,利用Rosetta Abinitio协议对搜索空间进行搜索,通过对背景点的聚类找到潜在天然态区域;然后,执行待评价预测算法的迭代过程,分析每一代种群的进化状态;其次,计算种群前后两代的状态转移矩阵并用香农熵量化种群状态变化情况;最后,记录历代熵值,从而反应算法在蛋白质结构预测的作用。本发明提供一种蛋白质结构预测算法评价指标构建方法,一方面,在一定程度上直观反映算法在预测过程中的所处的状态,另一方面,利用熵值可以比较多个算法在预测中起到的作用。
📄 2018102387483
📂 G16B20_00
👤 浙江工业大学
📅 2018-03-22
一种基于模板自适应选择的多域蛋白结构组装方法,首先,利用蛋白质比对工具对多域蛋白库的中各模板进行打分,并根据打分进行降序排名;然后,选择出排名靠前的部分模板进行组装,并对每个模板设置一个选择概率;其次,在组装过程中,每隔一定的阶段,根据各模板组装得到的结构被成功接收的次数和该模板被选择的次数动态更新各模板被选择的概率;最后,在每次迭代中,根据各模板的选择概率,利用轮盘赌选择出一个模板产生的结构进行随机选择和平移,从而产生新的结构。本发明提供一种计算代价较低、预测精度较高的基于模板自适应选择的多域蛋白结构组装方法。
📄 2017107571996
📂 G16B20_00
👤 浙江工业大学
📅 2017-08-29
一种基于距离相似度的蛋白质构象空间搜索方法,在遗传算法的基本框架下,对每个目标个体完成交叉和变异操作;计算出目标个体残基间的空间距离值,并由这些空间距离值构成目标特征向量;然后,求出目标个体的特征向量与先验知识中目标蛋白的初始特征向量的Manhattan距离;同理,计算得到变异个体对应的变异特征向量以及对应的Manhattan距离;最后,根据Manhattan距离值和能量值选出优势个体,更新种群。本发明提出一种预测精度高、计算代价低的基于距离相似度的蛋白质构象空间搜索方法。
📄 2017107173912
📂 G16B20_00
👤 浙江工业大学
📅 2017-08-21
一种基于二级结构相似性选择策略的蛋白质结构预测方法,包括以下步骤:首先预测查询序列的二级结构信息,构建片段库;其次建立基于二级结构信息的相似性函数,设计交叉变异策略;最后根据二级结构相似性得分更新种群,利用二级结构相似性能够有效地提高算法采样能力和预测精度。本发明提供一种预测精度较高的蛋白质结构预测方法。
📄 2018107629135
📂 G16B20_00
👤 浙江工业大学
📅 2018-07-12
一种基于残基位置特征的蛋白质相互作用位点预测方法,首先根据待进行蛋白质相互作用位点预测的序列信息,计算出该序列中每个残基的残基位置特征向量;然后,搭建卷积网络框架,通过从UniProt数据库获取已知蛋白质相互作用位点标签的蛋白质序列构建样本集,训练搭建的卷积网络;最后,将待进行预测的蛋白质序列中残基的特征向量输入到训练的模型中,根据输出的概率值来判断该序列中的残基是否为相互作用位点。本发明计算代价低、预测精度高的基于残基位置特征的蛋白质相互作用位点预测方法。
📄 2021103800193
📂 G16B20_00
👤 浙江工业大学
📅 2021-04-09