本发明属于基因序列比对技术领域，具体涉及一种单倍型感知的序列到图比对方法、系统、装置、介质，该方法将单倍型信息直接嵌入到泛基因组图的边关联结构中，使图结构本身具备表达单倍型路径的能力。然后采用改进的单倍型感知偏序比对算法将序列映射到该图上，使其能够识别并利用嵌入的单倍型信息，确保比对结果的全局一致性。最后采用基于全局缓存的路径复用回溯得到最优比对路径，在保证精度的同时显著提升算法效率。
📄 2026103954616
📂 G16B30_10
👤 烟台大学
📅 2026-03-30
本发明涉及基因序列比对技术领域，具体为一种基于加权syncmer的泛基因组长读长比对方法；本发明方法首先基于分频降权的加权syncmer采样对参考泛基因组图的segment进行处理，过滤高频冗余k‑mer、保留高特异性k‑mer，再构建哈希索引实现查询序列k‑mer的快速匹配，并生成候选锚点数组，大幅减少错误匹配、提升比对效率；然后，基于泛基因组图的拓扑信息，通过回溯计算筛选最佳线性链并进一步扩展为最佳图链，分层筛选策略降低了复杂图结构的搜索复杂度；最后，整合候选泛基因组图链集合输出比对结果，保障了结果的高精度与完整性，能够实现了对复杂拓扑结构泛基因组图的高效准确比对。
📄 2026100556710
📂 G16B30_10
👤 烟台大学
📅 2026-01-16
本发明涉及交互融合特征表示与选择性集成的DNA结合蛋白识别方法。相比于现有的方法，本发明的方法具有更加卓越的性能，这也间接表明本发明的交互融合特征表示能够生成携带有强判别信息的特征，同时选择性集成还能进一步提升整体学习器的泛化能力，最终能够保证对DNA结合蛋白的准确预测。
📄 2017107313091
📂 G16B30_10
👤 福建众维智汇科技有限公司
📅 2017-08-23
一种采用渐近式搜索MSA的蛋白质系综预测方法，首先，给定目标蛋白质序列，使用MMSeqs生成MSA。然后，使用DBSCAN方法对每个MSA进行聚类，生成多个子MSA；对于聚类失败的MSA，采用高斯混合模型(GMM)进行期望最大化(EM)聚类；接着，使用BLAST序列比对方法，从每个子MSA中选出相似度最高的序列，再次利用MMSeqs生成新的MSA，将所有子MSA合并为一个新的MSA，去除完全相同的序列，并对长度不一致的序列使用MAFFT添加GAP；处理后的MSA再次聚类，最终输入AlphaFold2生成蛋白质系综。本发明有效利用MSA共进化信息以预测蛋白质动态系综。
📄 2025100487928
📂 G16B30_10
👤 浙江工业大学
📅 2025-01-13
一种基于多种群系综变异策略的蛋白质结构预测方法，在进化算法框架下，首先，把种群平均分为四个子种群，并且通过各子种群中的构象协同合作，对每一个子种群分别设计不同的变异策略；其次根据Rosetta能量函数score3、距离误差系数以及蒙特卡洛概率接收准则对构象进行选择，来指导构象的更新过程，不仅能够缓解能量函数不精确的问题，而且可以引导算法采样得到能量更低且结构更合理的构象，同时提高采样效率。本发明提供一种采样效率和预测精度都较高的基于多种群系综变异策略的蛋白质结构预测方法。
📄 2018107629154
📂 G16B30_10
👤 浙江工业大学
📅 2018-07-12
本发明提供了一种基因序列比对方法及系统，包括：将隐马尔可夫模型的参数编码为蜜源，对于每条基因序列，采用所有蜜源对应的隐马尔可夫模型，得到每条基因序列对应的多种隐状态序列；判断是否满足终止条件，若满足，对适应度值最大的蜜源对应的隐马尔可夫模型得到的所有基因序列的隐状态序列进行两两比对，得到与每条基因序列最相似的基因序列；否则，基于每个蜜源的适应度值，将所有蜜源分为多个种群，在不同种群之间进行差异性学习，来优化隐马尔可夫模型的参数，直到满足终止条件。增强了隐马尔可夫模型的参数搜索的随机性，避免求解陷入局部最优，提高了多序列比对时解的精度。
📄 2022100443841
📂 G16B30_10
👤 山东师范大学
📅 2022-01-14
本发明提供一种基于deBruijn图的肽序列组装方法和装置，所述方法包括以下步骤：获取轻重链序列数据，并使用所述轻重链序列数据创建序列比对数据库；将肽序列测试数据进行k‑mer处理，得到k‑mer序列集合；将所述k‑mer序列集合与所述序列比对数据库进行比对，得到比对得分；若所述k‑mer序列集合中是轻重链混合数据，则将所述比对得分分为轻链和重链两类，分别构建deBruijn图，若所述k‑mer序列集合是轻链或者重链数据，则直接构建deBruijn图；在所述deBruijn图中进行序列组装，得到组装好的肽序列。本发明能够将肽序列片段在区分轻重链的条件下进行肽序列组装，组装效率有了很大的提高，组装结果有效可靠。
📄 2022107526883
📂 G16B30_10
👤 江苏理工学院
📅 2022-06-28
本发明公开一种基于茫然传输协议的隐私保护基因序列比对方法及系统，包括：设定共享的公开随机字符串；采用独热编码对第一基因序列和第二基因序列进行编码；对第一基因序列碱基编码中的有效位选取第一随机字符串和第二随机字符串，以构成第一随机有序对，且有效位的第一随机字符串满足公开随机字符串，对非有效位选取第二随机有序对，以此得到碱基编码有序对；根据第二基因序列碱基编码中每个比特位和碱基编码有序对执行茫然传输协议，得到每个比特位的匹配结果；根据匹配结果判断第一基因序列和第二基因序列是否相等。在保护基因序列信息的同时实现基因序列的高效安全比对。
📄 2022110394076
📂 G16B30_10
👤 济南大学
📅 2022-08-29
本发明属于基因序列比对技术领域，具体涉及基于syncmer的基因组双序列比对方法、系统，先基于syncmer策略进行采样，提取子序列，并根据子序列进行划分，将连续的长比对区间划分为多个短比对区间，在保证较高比对准确度的同时，显著提升了计算效率；且对短比对区间进行动态优化合并，有效平衡了区间连续性与比对效率；为了减小区间划分对比对结果的影响，根据匹配锚点位置，将相邻优化比对区间的局部最优比对路径进行拼接，以生成更准确的比对结果。
📄 2025105253955
📂 G16B30_10
👤 烟台大学
📅 2025-04-25
本发明涉及序列比较技术领域，具体为一种双序列比对工具评测方法、系统、设备和存储介质；为解决现有技术中工具评测结果效果差的技术问题，本发明设定当真实查询序列未知时，基于参考基因组，生成既服从对数正态分布读长特征，又能真实模拟实际测序数据错误分布特征的测序序列，用于形成双序列数据；当真实查询序列已知时，基于参考基因组和真实查询序列确定参考序列，用于形成双序列数据；最后将双序列数据输入至双序列比对工具中进行处理，并结合运行时间、峰值内存占用和准确度，来综合、准确地评估双序列比对工具的比对效果，公平地对比了不同双序列比对工具的性能，有助于选择在各自领域表现最优的双序列比对工具。
📄 2024115459108
📂 G16B30_10
👤 烟台大学
📅 2024-11-01
本发明涉及基因序列比对技术领域，具体为一种基因组长序列的比对方法、系统、设备和存储介质；为解决现有技术中比对方法准确度较差的问题，本发明首先分别对参考基因组序列和查询序列进行加权syncmer采样处理；然后，明确采样k‑mer序列中seq序列分别在查询序列和参考基因组索引中的开始位置和结束位置，提供准确的位置比对区间；接着，将基于查询结束位置和参考结束位置形成的候选位置集进行成链法处理，得到比对基因序列位置链，反映出基因区域比对结果变化情况；最后，根据需求输出不同对比结果；该方法运用在基因组长序列比对上，能够提高比对准确度、效率和灵活性。
📄 2024113464671
📂 G16B30_10
👤 烟台大学
📅 2024-09-26
本发明涉免疫药物研发技术领域，公开了一种基于混合深度学习策略的BCE预测方法，包括如下步骤：步骤1、构建BCE预测模型；步骤2、向所述BCE预测模型输入蛋白序列；步骤3、利用预测模型输出该蛋白序列是否为BCE的结果。所述步骤1中的BCE预测模型包括数据库、特征提取模块、特征处理模块以及前向神经网络模块；其中：数据库用于训练数据集的获取；特征提取模块用于对数据进行特征提取并获取四组特征；特征处理模块用于对提取的特征进行处理。本发明提出的深度学习预测方法，用序列特征和结构特征表示一条蛋白质，用四通道深度神经网络，分别提取序列信息和结构信息，可用同一个模型预测线性表位。
📄 2025100551996
📂 G16B30_10
👤 安庆师范大学
📅 2025-01-14
柿子坊 · 知识产权运营
柿子坊知识产权运营平台