[发明专利]基于深度学习的靶标预测系统及其方法在审
申请号: | 201910818054.1 | 申请日: | 2019-08-30 |
公开(公告)号: | CN110534153A | 公开(公告)日: | 2019-12-03 |
发明(设计)人: | 邓代国;艾海涛;雷曾荣 | 申请(专利权)人: | 广州费米子科技有限责任公司 |
主分类号: | G16B15/30 | 分类号: | G16B15/30;G06N3/04 |
代理公司: | 暂无信息 | 代理人: | 暂无信息 |
地址: | 510335 广东省广州市*** | 国省代码: | 广东;44 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | 本发明是一种基于深度学习的靶标预测系统,其特征在于,该系统包括通过深度学习框架tensorflow进行算法的建模、通过使用RDkit、Numpy、Pandas进行数据处理的靶标预测模块,所述靶标预测模块包括靶标训练阶段和靶标预测阶段,所述靶标训练阶段通过对已知分子及其对应的靶标之间的关系的训练生成训练模型,靶标预测阶段通过将新的分子信息输入到训练模型中进行新的分子靶标概率的预测,通过对预测出的靶标概率的分析对比确定分子的靶标,其中,该系统通过原子之间的化学键作用进行拓扑相邻的卷积操作。通过将靶标预测模块采用深度学习框架tensorflow进行算法的建模、使用RDkit、Numpy、Pandas进行数据处理的方式使分子与靶标之间的关系的探索更高效准确,增加了分子靶标预测的准确率。 | ||
搜索关键词: | 靶标 预测模块 预测 分子靶标 训练阶段 训练模型 数据处理 建模 算法 化学键作用 分析对比 分子信息 预测系统 准确率 概率 卷积 拓扑 学习 探索 | ||
【主权项】:
1.一种基于深度学习的靶标预测系统,其特征在于,该系统包括通过深度学习框架tensorflow进行算法的建模、通过使用RDkit、Numpy、Pandas进行数据处理的靶标预测模块,所述靶标预测模块包括靶标训练阶段和靶标预测阶段,所述靶标训练阶段通过对已知分子及其对应的靶标之间的关系的训练生成训练模型,靶标预测阶段通过将新的分子信息输入到训练模型中进行新的分子靶标概率的预测,通过对预测出的靶标概率的分析对比确定分子的靶标,其中,该系统通过原子之间的化学键作用进行拓扑相邻的卷积操作。/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广州费米子科技有限责任公司,未经广州费米子科技有限责任公司许可,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/201910818054.1/,转载请声明来源钻瓜专利网。
- 同类专利
- 一种基于系统生物学阐述中医证本质的分析方法-201910975864.8
- 丁一;文爱东;王文军;王婧雯;郭超;贾娜;高凯;赵超;窦芳 - 中国人民解放军第四军医大学
- 2019-10-15 - 2020-02-04 - G16B15/30
- 本发明提出一种基于系统生物学阐述中医证的分子本质的分析方法,包括如下步骤:S1、对证中药的文献数据库文本挖掘,明确用药频次最高的药物;S2、根据中药、疾病、基因数据库源文件的内在联系关系,建立“中药成分‑人蛋白/基因‑疾病”关联网络,通过VENN集合分析筛选到气阴两虚对证药物的共同靶点。S3、将共同靶点构建拓扑网络,进行以节点度中心性算法为核心,最终实现对中医证本质的分子层面解释。本发明通过筛选出中医证候的对证中药和疾病靶点基因,能够构造阐释中医证的分子机制的分析方法,有助于更好的认识中医证候的机理。
- 生物标志物检测方法、疾病判断方法、生物标志物检测装置和生物标志物检测程序-201880028570.8
- 陈洛南;合原一幸;刘小平 - 国立研究开发法人科学技术振兴机构
- 2018-05-11 - 2019-12-20 - G16B15/30
- 生物标志物检测方法包括以下步骤:基于从多个参考活体的每一个获得的参考活体数据中的多个因子项目数据来准备参考数据集(ST1);将从目标活体获得的目标活体数据中的多个因子项目数据添加到参考数据集以生成目标数据集(ST2);在参考数据集中的多个因子项目之间求出第一相关系数(ST3);在目标数据集中的多个因子项目之间求出第二相关系数(ST4);求出作为第一相关系数和第二相关系数的差分的差分相关系数(ST5);对于多个因子项目中的每一个基于差分相关系数求出指标(ST6);基于指标选择生物标志物(ST7)。
- 基于深度学习的靶标预测系统及其方法-201910818054.1
- 邓代国;艾海涛;雷曾荣 - 广州费米子科技有限责任公司
- 2019-08-30 - 2019-12-03 - G16B15/30
- 本发明是一种基于深度学习的靶标预测系统,其特征在于,该系统包括通过深度学习框架tensorflow进行算法的建模、通过使用RDkit、Numpy、Pandas进行数据处理的靶标预测模块,所述靶标预测模块包括靶标训练阶段和靶标预测阶段,所述靶标训练阶段通过对已知分子及其对应的靶标之间的关系的训练生成训练模型,靶标预测阶段通过将新的分子信息输入到训练模型中进行新的分子靶标概率的预测,通过对预测出的靶标概率的分析对比确定分子的靶标,其中,该系统通过原子之间的化学键作用进行拓扑相邻的卷积操作。通过将靶标预测模块采用深度学习框架tensorflow进行算法的建模、使用RDkit、Numpy、Pandas进行数据处理的方式使分子与靶标之间的关系的探索更高效准确,增加了分子靶标预测的准确率。
- 一种林木长片段非编码RNA靶基因的预测方法-201611198893.0
- 张德强;权明洋;肖亮 - 北京林业大学
- 2017-02-17 - 2019-12-03 - G16B15/30
- 本发明涉及一种林木长片段非编码RNA靶基因的预测方法,属于分子遗传技术领域。本发明提供的林木长片段非编码RNA靶基因的预测方法包括以下步骤:1)获得林木lncRNA序列;2)利用blast预测方法得到初步筛选后的lncRNA的靶基因;3)利用RNAplex预测方法得到二次筛选后的lncRNA的靶基因;4)对所述步骤3)中的lncRNA及二次筛选后的lncRNA的靶基因的组织特异性表达模式进行检测,计算两者的表达相关性,确定lncRNA及其靶基因之间的相互作用关系。本发明预测方法能够高效、稳定地检测lncRNA及其靶基因的作用区段,并且能够显著提高林木lncRNA靶基因预测的准确性。
- 一种基于BFGS算法的计算机药物筛选方法-201910569102.8
- 魏志强;刘素娥;刘昊;徐锡明;杨金波;汪雪婷 - 青岛海洋科学与技术国家实验室发展中心;中国海洋大学
- 2019-06-27 - 2019-11-15 - G16B15/30
- 本发明公开了一种基于BFGS算法的计算机药物筛选方法。本发明包括以下步骤:1)建立数据库,由30000‑40000个海洋小分子的数据集群,循环遍历匹配,形成相似度为0‑1的小分子库;2)数据库预处理,删除步骤1)中所得的小分子库中相似度为1的小分子构象;3)分子对接,将配体置于受体的活性位置点处,使多个配体与一个受体进行分子对接;4)构象搜索,使用BFGS算法进行构象搜索,当新生成的构象与初始构象相同或者两者预设差值不超过0.0001时,停止构象的搜索。本发明通过优化算法使其缩短寻找配体与受体结合在受体活性位点处的低能构象的时间,增加了小分子数据库的基于该方法的虚拟筛选的效果和效率。
- 专利分类