[发明专利]基于深度学习的剪接位点分类在审
| 申请号： | 201880043048.7 | 申请日： | 2018-10-15 |
| 公开（公告）号： | CN110945594A | 公开（公告）日： | 2020-03-31 |
| 发明（设计）人： | K·贾加纳坦;K-H·法尔;S·卡拉佐普罗潘吉欧托普卢;J·F·麦克雷 | 申请（专利权）人： | 因美纳有限公司 |
| 主分类号： | G16B40/30 | 分类号： | G16B40/30;G16B20/00 |
| 代理公司： | 北京泛华伟业知识产权代理有限公司 11280 | 代理人： | 王勇 |
| 地址： | 美国加利*** | 国省代码： | 暂无信息 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本公开的技术涉及构造用于变体分类的基于卷积神经网络的分类器。更具体地，涉及一种在训练数据上使用基于后向传播梯度更新技术训练基于卷积神经网络的分类器，该技术逐步地将基于卷积网络网络的分类器的输出与相应的真实值标签匹配。所述基于卷积神经网络的分类器包括残差块组，每个残差块组是由所述残差块中的卷积滤波器的数量、所述残差块的卷积窗口尺寸和所述残差块的空洞卷积率进行参数化的，所述卷积窗口尺寸在残差块组之间变化，所述多孔卷积率在残差块组之间变化。所述训练数据包括良性训练样例和从良性变体和病原变体产生的转化的序列对的病原训练实例。 | ||
| 搜索关键词： | 基于 深度 学习 剪接 分类 | ||
【主权项】：
暂无信息
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于因美纳有限公司，未经因美纳有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201880043048.7/，转载请声明来源钻瓜专利网。
- 上一篇：鸟饲料
- 下一篇：活动记录装置、活动记录方法以及记录介质
- 同类专利
- 用于大流行研究的功能性蛋白质分类-202180067508.1
- E·埃雷兹 - GSI 科技公司
- 2021-09-30 - 2023-06-23 - G16B40/30
- 一种蛋白质搜索器包括经预训练的CNN、特征提取器、数据库以及KNN搜索器。在先前分类的氨基酸数据库上被训练的经预训练的CNN接收未被识别的氨基酸序列。特征提取器提取未被识别的氨基酸序列的特征向量作为查询特征向量。数据库存储经训练的氨基酸序列的特征向量和至少一个未经训练的氨基酸序列的特征向量，并存储经训练的氨基酸序列的相关联的类和至少一个未经训练的氨基酸序列的相关联的标记。KNN搜索器查找数据库中与查询特征向量接近的K个特征向量，并输出K个特征向量中每个特征向量的相关联的类或相关联的标记。
- 治疗数字鉴定的IL-4/IL-13相关障碍的方法-202080096080.9
- C·M·莫洛尼;P·布莱斯;E·德雷纳尔迪斯;R·A·赫尔南德斯-维西诺;F·J·J·希门尼斯 - 赛诺菲生物技术公司
- 2020-12-08 - 2022-12-09 - G16B40/30
- 公开了用抗IL‑4Rα抗体及其片段治疗各种障碍的方法。
- 机器学习引导的多肽设计-202080067045.4
- J·D·菲拉;A·L·彼姆;M·K·吉布森;B·J·卡布拉尔 - 旗舰开拓创新六世公司
- 2020-07-31 - 2022-09-30 - G16B40/30
- 用于工程化被配置为具有特定蛋白质功能或性质的氨基酸序列的系统、装置、软件和方法。方法实施机器学习以处理输入种子序列并生成具有所需功能或性质的优化序列作为输出。
- 利用深度学习进行基因突变检测-202080019288.0
- J·伊斯拉里;A·拉尔;M·维拉;N·亚科文科;胡振 - 辉达公司
- 2020-03-05 - 2021-10-29 - G16B40/30
- 本公开提供了使用深度学习模型对测序数据(尤其是次优测序数据)中检测到的候选突变进行分类的方法、系统和计算机程序产品。这些方法、系统和程序提供了从宽范围的测序数据中识别突变的提高的效率、准确性和速度。
- 具有用于文本注释的演变领域特异性词典特征的机器学习模型-201980033655.X
- 凌媛;S·S·阿尔哈桑;O·F·法里;柳俊毅 - 皇家飞利浦有限公司
- 2019-04-18 - 2020-12-29 - G16B40/30
- 一种生成用于机器学习模型的嵌入的方法，包括：从第一文本数据提取字符嵌入和词语嵌入；根据领域知识数据集来生成领域知识嵌入；将所述字符嵌入、所述词语嵌入和所述领域知识嵌入组合为组合嵌入；并且将所述组合嵌入提供到所述机器学习模型的层。
- 用于同时多变量特征选择、特征生成和样本聚类的方法-201880072504.0
- K·沃良斯基;N·迪米特罗娃 - 皇家飞利浦有限公司
- 2018-10-23 - 2020-06-19 - G16B40/30
- 一种基因组/蛋白质组测试综合方法包括：接收包括对应于人的样本的基因组/蛋白质组数据集(12)，其中，每个样本包括根据针对对应的人的基因组/蛋白质组数据导出的一组特征中的特征的值。针对每个特征，执行单变量分析(30)以生成针对所述特征的样本密度对特征值数据集，其例如被表示为核密度估计(KDE)(52)。使用KDE在所述特征上执行多变量分析(32、34)以生成一组鉴别性特征(36、38)。在一个范例中，多变量分析(32)使用KDE的能量谱密度(ESD)特性。在另一范例中，多变量分析(34)使用KDE的峰值位置特性。
- 基于深度学习的剪接位点分类-201880043048.7
- K·贾加纳坦;K-H·法尔;S·卡拉佐普罗潘吉欧托普卢;J·F·麦克雷 - 因美纳有限公司
- 2018-10-15 - 2020-03-31 - G16B40/30
- 本公开的技术涉及构造用于变体分类的基于卷积神经网络的分类器。更具体地，涉及一种在训练数据上使用基于后向传播梯度更新技术训练基于卷积神经网络的分类器，该技术逐步地将基于卷积网络网络的分类器的输出与相应的真实值标签匹配。所述基于卷积神经网络的分类器包括残差块组，每个残差块组是由所述残差块中的卷积滤波器的数量、所述残差块的卷积窗口尺寸和所述残差块的空洞卷积率进行参数化的，所述卷积窗口尺寸在残差块组之间变化，所述多孔卷积率在残差块组之间变化。所述训练数据包括良性训练样例和从良性变体和病原变体产生的转化的序列对的病原训练实例。
- 利用卷积神经网络(CNNS)进行异常剪接检测-201880043867.1
- K·贾加纳坦;K-H·法尔;S·卡拉佐普罗潘吉欧托普卢;J·F·麦克雷 - 因美纳有限公司
- 2018-10-15 - 2020-03-06 - G16B40/30
- 公开的技术涉及构造用于变体分类的基于卷积神经网络的分类器。具体地，本发明涉及使用基于反向传播的梯度更新技术在训练数据上训练基于卷积神经网络的分类器，所述技术将基于卷积网络网络的分类器的输出与相应的真实值标签逐渐匹配。基于卷积神经网络的分类器包括残差块组，每个残差块组由残差块中的卷积滤波器的数量，残差块的卷积窗口大小和残差块的空洞卷积率来参数化，卷积窗口的大小在残差块组之间变化，空洞卷积率在残差块组之间变化。训练数据包括从良性变体和致病性变体产生的良性训练实例和致病性训练实例的转译序列对。
- 专利分类
