专利交易市场

本申请涉及微生物检测技术领域，具体涉及基于光谱分析的公共区域微生物污染风险评估系统，该系统包括：光谱获取模块，用于获取公共区域的空气中包含的微生物的拉曼光谱曲线；光谱校正模块，用于对拉曼光谱曲线进行基线校正，具体为：确定拉曼光谱曲线在各波长处的基线值，获取校正后的拉曼光谱曲线；特征分析模块，用于识别微生物的种类，具体为：计算各波峰的特征评估值，对所有波峰进行区分，获取特征主峰和肩峰；提取肩峰包含的特征峰；对空气中微生物的种类进行识别；风险评估模块，对公共区域微生物污染风险进行评估。本申请减少因特征峰重叠导致的误判和漏检，提高微生物种类识别的准确度，以准确评估公共区域微生物的污染风险。

本发明提供一种公猪预测受胎率计算方法及应用，涉及动物遗传育种技术领域。该方法包括：确定影响效应，所述影响效应包括公猪近交系数、后代近交系数、公猪配种时月龄和公猪个体随机效应；根据所述影响效应，建立评价模型，计算公猪近交系数的回归系数、后代近交系数的回归系数、公猪配种时月龄的效应值和公猪个体随机效应的效应值；根据计算结果，计算公猪的预测受胎率。该预测受胎率可作为评估公猪繁殖性能的依据，用于判断群体中公猪繁殖性能的优劣，因而可根据该预测受胎率区别不同繁殖性能的公猪，便于淘汰繁殖性能低的公猪，降低生产成本。该方法计算简便，对混合品种公猪与单一品种公猪均能实现较好的分类效果。

本发明涉及蛋白质预测技术领域，公开了一种混合深度学习策略的蛋白质解链温度预测方法，包括如下步骤：步骤1、构建深度学习策略的蛋白质解链温度预测模型，所述预测模型包括序列特征提取模块、结构特征提取模块以及前向网络模块；步骤2、输入待测上述蛋白质的一级序列至所述预测模型中；步骤3、利用预测模型输出蛋白质解链温度以及蛋白质类别。本发明提出的预测方法，其预测模型综合考虑了蛋白质的结构特征和序列特征，特别是考虑了蛋白质结构中的氨基酸残基空间构象，因此，本发明提出的预测模型能够更加精准的预测到蛋白质解链温度。

本发明提供了一种基于单细胞RNA测序数据识别细胞类型的方法。该方法有效地将高维矩阵低秩表示(Low Rank Representation)模型和图正则化理论结合起来，同时考虑数据的全局结构和局部结构特征来构建优化模型，通过采用交替方向乘子法(ADMM)来求解模型得到可靠的细胞与细胞间相似性矩阵，然后采用谱聚类方法对相似性矩阵进行聚类，从而实现对单细胞进行聚类，识别细胞类型。该方法可以显著提高单细胞RNA测序数据的聚类效果。

本发明涉及微生物成分检测技术领域，尤其涉及一种基于高通量测序数据的微生物成分检测方法。所述方法包括以下步骤：基于高通量测序技术对微生物测试样本进行深度测序，得到微生物样本测序数据；对微生物样本测序数据进行相对频数定量计算，并进行不同类别间的集聚行为识别，得到微生物类别集聚行为数据；根据微生物类别集聚行为数据进行不同微生物类别间的代谢通路网络构建，得到微生物代谢通路网络；根据微生物代谢通路网络进行微生物成分检测模型构建，得到微生物成分检测模型。本发明通过对微生物成分检测技术的优化处理使得微生物成分检测技术更加完善。

本发明属于生物信息学领域，涉及一种基于基因类型和氨基酸序列的决定性互补区分类方法，将T细胞受体的决定性互补区的可变基因段、连接基因段以及氨基酸序列进行充分融合，旨在提高决定性互补区的分类能力。该方法使用了一种新型的预处理方法，使得决定性互补区的基因类型和氨基酸序列数据合并为一种新数据，并对可变基因段和连接基因段各使用两个卷积神经网络模块同时提取特征，根据卷积提取到的特征对决定性互补区进行分类。该方法包括基因类型和氨基酸序列预处理、特征提取模块的构建和特征分类模块的构建三个步骤。该方法可有效融合决定性互补区的基因类型和氨基酸序列特征，取得更优的分类效果，对临床治疗和免疫过程的研究具有重要意义。

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。