[发明专利]用于变体分类的深度卷积神经网络在审
| 申请号： | 201880043819.2 | 申请日： | 2018-10-15 |
| 公开（公告）号： | CN110800062A | 公开（公告）日： | 2020-02-14 |
| 发明（设计）人： | L·孙达拉姆;K-H·法尔;H·高;S·雷迪帕迪格帕蒂;J·F·麦克雷 | 申请（专利权）人： | 因美纳有限公司 |
| 主分类号： | G16B20/20 | 分类号： | G16B20/20;G16B40/20 |
| 代理公司： | 11280 北京泛华伟业知识产权代理有限公司 | 代理人： | 王勇 |
| 地址： | 美国加利*** | 国省代码： | 美国;US |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 公开的技术涉及构建用于变体分类的基于卷积神经网络的分类器。更具体地，涉及使用基于后向传播梯度更新方法在训练数据上训练基于卷积神经网络的分类器，该方法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。该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数量、残差块的卷积窗口尺寸和残差块的空洞卷积率参数化，所述卷积窗口尺寸在残差块组之间变化，所述空洞卷积率在残差块组之间变化。所述训练数据包括从良性变体和致病性变体产生的转译序列对的良性训练实例和致病性训练实例。 | ||
| 搜索关键词： | 残差块 卷积 分类器 卷积神经网络 变体 训练数据 致病性 空洞 卷积滤波器 标签匹配 梯度更新 网络网络 参数化 构建 后向 转译 输出 分类 传播 | ||
【主权项】：
1.一种基于深度卷积神经网络的变体致病性分类器，具有二级结构和溶剂可及性分类器，包括：/n第一二级结构子网络，在与存储器耦合的多个处理器上运行，被训练以预测蛋白质序列内氨基酸位置的三态二级结构；/n第二溶剂可及性子网络，在与存储器耦合的多个处理器上运行，被训练以预测蛋白质序列内氨基酸位置的三态溶剂可及性；/n位置频率矩阵(缩写为PFM)发生器，在多个处理器中的至少一个上运行，适用于灵长类和哺乳动物除外的灵长类，哺乳动物和脊椎动物的三个序列组，以生成灵长类PFM，哺乳动物PFM和脊椎动物PFM；/n输入处理器，其接受具有靶变体氨基酸的变体氨基酸序列，该靶变体氨基酸在每个方向上在上游和下游侧接至少25个氨基酸，其中单个核苷酸变体产生靶变体氨基酸；/n在多个处理器中至少一个处理器上运行的补充数据分配器，其/n分配具有靶参考氨基酸的参考氨基酸序列，其中靶参考氨基酸在每个方向上在上游和下游侧接至少25个氨基酸，与变体氨基酸序列比对；/n为参考氨基酸序列分配由第一和第二子网产生的参考状态分类；/n为变体氨基酸序列分配由第一和第二子网产生的变体状态分类；和/n分配与参考氨基酸序列比对的灵长类，哺乳动物和脊椎动物PFM；/n一个深层卷积神经网络，在多个处理器上运行，经过训练以基于处理变体氨基酸序列，分配的参考氨基酸序列，分配的参考和变体状态分类和分配的PFM，将变体氨基酸序列分类为良性或致病性；和/n输出处理器，至少报告变体氨基酸序列的致病性得分。/n
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/201880043819.2/，转载请声明来源钻瓜专利网。
- 同类专利
- 用于确定微卫星不稳定性的系统和方法-201880043447.3
- S·张;A·S·索;S·卡普兰;K·M·克鲁格利亚克;S·比尔克 - 伊鲁米那股份有限公司
- 2018-11-14 - 2020-02-14 - G16B20/20
- 本文展示用于确定微卫星不稳定性的技术。这些技术包括生成代表或模拟个体目的样品的假定性匹配样品的参比样品数据集。参比样品数据集可以生成自不匹配于目的样品的参比正常样品集合。对于缺少匹配样品的目的样品，参比样品数据集可以用来确定微卫星不稳定性及用来提供目的样品的微卫星不稳定性的存在、不存在或程度的指示。参比样品数据集可以如此生成，从而过滤、掩蔽或否则不考虑与族群之间高程度变异性相关的个体微卫星区域。
- 用于变体分类的深度卷积神经网络-201880043819.2
- L·孙达拉姆;K-H·法尔;H·高;S·雷迪帕迪格帕蒂;J·F·麦克雷 - 因美纳有限公司
- 2018-10-15 - 2020-02-14 - G16B20/20
- 公开的技术涉及构建用于变体分类的基于卷积神经网络的分类器。更具体地，涉及使用基于后向传播梯度更新方法在训练数据上训练基于卷积神经网络的分类器，该方法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。该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数量、残差块的卷积窗口尺寸和残差块的空洞卷积率参数化，所述卷积窗口尺寸在残差块组之间变化，所述空洞卷积率在残差块组之间变化。所述训练数据包括从良性变体和致病性变体产生的转译序列对的良性训练实例和致病性训练实例。
- 用于确定体细胞突变克隆性的方法和系统-201880040456.7
- 维托·费雷拉·奥努奇克;克里斯蒂娜·M·克鲁格利亚克 - ILLUMINA公司
- 2018-12-03 - 2020-02-07 - G16B20/20
- 提供了计算机实施的方法和计算机系统，用于使用来自对象的一个或多个核酸样品，估算指示携带一种或多种目标突变的癌细胞的比例的癌细胞分数。本文中所提供的方法和系统实施过程，所述过程使用变分贝叶斯混合模型来对初始癌细胞分数进行聚类，并获得一个或多个最终癌细胞分数，所述初始癌细胞分数考虑了癌症的纯度和拷贝数。所公开的方法和系统提高了癌症克隆性测试的准确性、有效性和可靠性，并节约了测试所需的时间、物质、成本和计算机资源，这可以帮助设计更有影响的癌症治疗。
- 专利分类
