“G16B20/00”专利分类搜索_专利查询_文献下载_出售_求购_买卖_交易

钻瓜专利网为您找到相关结果643个，建议您升级VIP下载更多相关专利

[发明专利]一种基于多角度融合的生物组学数据分析方法-CN202211361898.6在审
发明人：王堃宇;林晓惠 -专利权人：大连理工大学
申请日： 2022-11-02 - 公布日： 2023-01-31 - 主分类号： G16B20/00 文献下载
摘要：一种基于多角度融合的生物组学数据分析方法，从多个角度系统性的分析基因组学、代谢组学等组学数据与疾病的关联，构建了多个富含生物信息的特征子空间，保证了信息丰富度。为解决生物组学数据的样本量小，维度高对分析方法有效性的影响，考虑到生物体内各成分特征间关系的多样性，从多角度融合的角度出发，使用三种不同角度的特征选择方法，从不同角度构建出三种具有代表性且富含生物信息的特征子空间，并在其基础上建立融合分类模型进行数据分析。基于多个不同组学的公共数据集结果表明，通过所提出的多角度融合的数据分析方法，分析结果有效，分类性能更加优越，为基因组学、代谢组学和蛋白质组学等多种生物组学数据的研究提供切实有效的数据分析手段，具有较强的应用价值。
一种基于角度融合生物数据分析方法

[发明专利]基于机器学习的细菌基因组数据预测细菌表型特征的方法-CN202211172959.4在审
发明人：韩国民;刘海达;万思琪 -专利权人：安徽农业大学
申请日： 2022-09-26 - 公布日： 2023-01-31 - 主分类号： G16B20/00 文献下载
摘要：本发明公开了基于机器学习的细菌基因组数据预测细菌表型特征的方法，包括以下步骤：(1)对细菌基因组数据进行蛋白质结构域解析；(2)将解析得到的细菌蛋白质结构域进行重构组合，统计频率并转化成矩阵，得到细菌重构的蛋白质结构域特征数据集；(3)对步骤(2)中经过整合的细菌数据根据是否为已知特征类型，将其划分为训练集与预测集；(4)利用机器学习算法对训练集数据进行模型训练挑选最佳预测模型，利用最佳预测模型对预测集数据进行特征预测。该方法可对难以分离培养的细菌和利用宏基因组组装的细菌基因组进行细菌特征的批量预测，获得大量的细菌特征信息，节约大量实验研究成本和时间。
基于机器学习细菌基因组数据预测表型特征方法

[发明专利]用于预测样品重新评估成功的过程指示标识的基于机器学习的分析-CN202180037732.6在审
发明人： K·J·吉特森;N·雷扎伊;P·M·菲利浦克鲁兹 -专利权人：因美纳有限公司
申请日： 2021-05-28 - 公布日： 2023-01-31 - 主分类号： G16B20/00 文献下载
摘要：本发明所公开的技术涉及用于在一次或多次非决定性样品评估运行后对是否重新评估样品进行评分的系统和方法。评分能够基于调用率和来自过程探针的读数的组合，该过程探针在样品处理的连续阶段生成指示处理参数的信号。该系统能够包括分类器，该分类器被训练以预测附加样品评估运行是否将产生针对该样品的决定性结果。该系统能够使用来自被分组成样品依赖性过程探针和样品独立性过程探针的探针的多个读数。该系统能够使用来自根据该样品评估运行的三个阶段进行分组的探针的辐射信号的多个读数。
用于预测样品重新评估成功过程指示标识基于机器学习分析

[发明专利]用于确定治疗响应者的方法和系统-CN202180035843.3在审
发明人： W·张;J·何 -专利权人：瑞泽恩制药公司
申请日： 2021-03-17 - 公布日： 2023-01-31 - 主分类号： G16B20/00 文献下载
摘要：描述了用于将患者分类为响应者或非响应者的方法、系统和设备。
用于确定治疗响应方法系统

[发明专利]蛋白质相互作用的预测方法-CN202010809822.X有效
发明人：陆慧娟;武红立 -专利权人：中国计量大学
申请日： 2020-08-13 - 公布日： 2023-01-31 - 主分类号： G16B20/00 文献下载
摘要：本发明公开了一种蛋白质相互作用的预测方法，包括如下步骤：获取蛋白质相互作用的数据集，针对蛋白质数据的特点，对蛋白质氨基酸序列、结构、功能及相互作用进行多特征融合与特征抽取；利用Bagging算法通过Bag of Little Bootstraps技术和分治策略来生成多个基分类器的蛋白质相互作用预测模型；利用群智能优化算法或群智能混合算法来优化分类模型的参数，以优化训练集，将所形成的训练集输入蛋白质相互作用预测模型进行训练，以完成蛋白质相互作用预测模型的训练；将待预测未知蛋白质输入已完成训练的蛋白质相互作用预测模型，所述蛋白质相互作用预测模型输出蛋白质相互作用的数据。本发明预测性能和效率高。
蛋白质相互作用预测方法

[发明专利]一种基于多相似性融合的疾病关联信息预测方法-CN202211362584.8在审
发明人：代凌云;朱荣;刘金星 -专利权人：曲阜师范大学
申请日： 2022-11-02 - 公布日： 2023-01-13 - 主分类号： G16B20/00 文献下载
摘要：本发明公开了一种基于多相似性融合的疾病关联信息预测方法，该方法首先将lncRNA功能相似性与其GIP核相似性，疾病语义相似性与其GIP核相似性分别进行线性融合；进而根据融合后的lncRNA相似性和疾病相似性，利用加权K近邻算法WKNKN对已知的关联矩阵进行预处理得到关联概率矩阵；接下来基于关联概率矩阵分别计算lncRNA和疾病的线性邻居相似性，重构lncRNA相似性网络和疾病相似性网络；最后，通过在lncRNA相似性网络和疾病相似性网络上进行不平衡双随机行走预测新的关联关系。本发明将三种相似性融合，基于不平衡双随机行走预测潜在的lncRNA‑疾病关联，提高了预测的精确度。
一种基于多相融合疾病关联信息预测方法

[发明专利]在微生物中利用基因组中结构变化对抗微生物药物的基因抗性预测-CN201680044780.7有效
发明人：安德烈亚斯·凯勒;苏珊娜·施默尔克;科德·弗里德里希·施塔勒;克里斯蒂娜·巴克斯;瓦伦蒂娜·加拉塔 -专利权人：阿瑞斯遗传股份有限公司
申请日： 2016-08-05 - 公布日： 2023-01-10 - 主分类号： G16B20/00 文献下载
摘要：本发明涉及确定患者感染对抗微生物药物治疗可能具有抗性的至少一种微生物尤其是细菌微生物的方法，选择对感染了至少一种微生物尤其是细菌微生物的患者的治疗的方法，以及确定包含至少一种基因的微生物尤其是细菌微生物的基因组结构变化的方法，以及用于这些方法的计算机程序产品。
微生物利用基因组结构变化对抗药物基因抗性预测

[发明专利]多物种蛋白质功能预测方法、装置、设备及存储介质-CN202210980663.9在审
发明人：李君一;吴楷涛;王乐翔;张阳;王轩;刘洋;漆舒汉;吴宇琳;姚霖;刘博;王亚东 -专利权人：哈尔滨工业大学（深圳）（哈尔滨工业大学深圳科技创新研究院）
申请日： 2022-08-16 - 公布日： 2022-12-20 - 主分类号： G16B20/00 文献下载
摘要：本申请公开了一种多物种蛋白质功能预测方法、装置、设备及存储介质，属于生物信息技术领域，该方法包括：将多物种蛋白质的标签矩阵和特征矩阵输入预先构建的跨物种异构网络；在所述跨物种异构网络的每个传播层传播所述标签矩阵和所述特征矩阵，获得传播后的目标标签矩阵和目标特征矩阵；将所述目标标签矩阵和所述目标特征矩阵进行加权获得预测得分矩阵，并基于所述预测得分矩阵获得所述多物种蛋白质的功能预测得分。如此，基于跨物种异构网络上实现了标签与特征的同时传播，提高了多物种蛋白质功能的预测的准确性和有效性。
物种蛋白质功能预测方法装置设备存储介质

[发明专利]鉴别和分类宏基因组样本中的操作分类单元的方法和系统-CN201810853366.1有效
发明人： S·S·曼德;D·亚达夫;A·杜塔 -专利权人：塔塔咨询服务公司
申请日： 2018-07-30 - 公布日： 2022-12-16 - 主分类号： G16B20/00 文献下载
摘要：本发明描述了使用短读段扩增子序列来鉴别和分类宏基因组样本中的操作分类单元(OTU)的系统和方法。本公开能够准确鉴别宏基因组样本中的OTU，并提供了使得不同的断开的宏基因组研究中取样的微生物组群落结构容易进行交叉比较的框架。相比于使用直接用于分类学分类或OTU聚类的由全长标记基因组成的参考数据库，本公开对标记基因的不同超‑可变区创建了定制的OTU数据库。这些数据库由参考OTU组成，其通过与标记基因的不同选择的超‑可变区有关的序列的独立群集而获得。在另一实施方案中，还提供了映射返回，其促进了从可能已利用不同超‑可变区的不同研究获得的结果之间的交叉比较。该系统获得了宏基因组样本中操作分类单元(OTU)的分类的增强准确性。
鉴别分类宏基样本中的操作单元方法系统

[发明专利]一种猝死基因突变点位的评分方法及系统-CN201811388210.7有效
发明人：黄宪达;邱致闵;蔡文婷;王威霁;王诗杰 -专利权人：广州市康健基因科技有限公司
申请日： 2018-11-21 - 公布日： 2022-12-16 - 主分类号： G16B20/00 文献下载
摘要：本发明公开了一种猝死基因突变点位的评分方法及系统，方法包括接收待检测体的临床数据和基因数据；若基因数据为基因突变点位数据，则根据HGVS的规定对基因突变点位数据进行格式转化，得到若干第二基因突变点位信息；若基因数据为基因测序数据，则计算基因测序数据的基因突变点位数据并根据HGVS的规定对基因测序数据的突变点位数据进行格式转化，获得若干第二基因突变点位信息；将每一第二基因突变点位信息与临床数据进行整合，继而与数据库中预存的比对数据进行比对，并计算得出每一第二基因突变点位信息的比对分数。通过实施本发明名的实施例能建立与猝死相关的基因突变点位评分体系，对各基因突变点位进行评分，以便后续的医学研究。
一种猝死基因突变评分方法系统

[发明专利]用于预测胰腺癌患者预后系统-CN202210290426.X在审
发明人：龚勋;刘玉琛;李晓武 -专利权人：深圳大学总医院
申请日： 2022-03-23 - 公布日： 2022-12-13 - 主分类号： G16B20/00 文献下载
摘要：本发明公开了一种用于预测胰腺癌患者预后系统，包括以下步骤：基因候选：利用R包从数据库中下载胰腺癌的miRNA和mRNA和临床数据，并且对这些数据进行处理，构建Cox候选模型，筛选得到miRNA；预后模型构建：以胰腺癌患者相关信息和3年生存概率进行录入从而构建预后模型，得到列线图；模型验证：将组织样本代入预后模型中，计算相关基因表达评分，验证是否满足设定需求；本发明通过结合了多个独立的预后变量，建立相关的列线图，稳健地预测了风险和基于临床分期、年龄和其他因素，以及miRNA表达，改善胰腺癌患者的的临床管理，允许更多个性化的治疗选择。
用于预测胰腺癌患者预后系统

[发明专利]一种Olink蛋白质组学数据的分析方法-CN202211116934.2在审
发明人：付俊;钱旺;高晶;陈帅通;马倩 -专利权人：杭州链康医学检验实验室有限公司
申请日： 2022-09-14 - 公布日： 2022-12-13 - 主分类号： G16B20/00 文献下载
摘要：本发明公开了一种Olink蛋白质组学数据的分析方法，属于生物信息学技术领域。所述方法包括以下步骤：S1，将标准化蛋白表达值进行log2处理，得到标准蛋白表达值，过滤掉未通过质控的样本的数据；S2，利用蛋白质数据库对过滤后的数据进行蛋白注释，获得蛋白注释信息；S3，统计两组或者多组之间表达量显著不同的差异蛋白并进行可视化；S4，根据步骤S3获得的差异蛋白，进行GO富集分析、KEEG富集分析、GSEA富集分析、差异基因Reactome分析、DO功能富集分析和/或蛋白互作分析。本发明的方法使Olink蛋白质组学的数据分析更准确、更方便、分析种类更全面。
一种 olink 蛋白质数据分析方法

[发明专利]一种空间转录组数据功能区域划分的分析方法及其系统-CN202211087318.9在审
发明人：李霞;邵牧民 -专利权人：深圳市中医院
申请日： 2022-09-07 - 公布日： 2022-12-09 - 主分类号： G16B20/00 文献下载
摘要：本发明涉及空间转录组数据分析技术领域，特别涉及到一种空间转录组数据功能区域划分的分析方法及其系统；本发明绕开了对单个的空间转录组数据直接进行区域划分，而是借助于队列转录组数据进行特征点标志物提取，基于这些特征点标志物在空间转录组数据上的空间分布，进行区域划分，这些区域并非盲目基于表达数值聚类所得，而是反应了特征点标志物在空间区域上的功能分布，并采用指定功能模块特征集对所获取的区域进行评估，根据得分以及富集情况来评估所得区域的功能以及功能模块特征集在特定微孔区域的活跃度。
一种空间转录数据功能区域划分分析方法及其系统

[发明专利]基于机器学习的海藻固碳蛋白预测方法及系统-CN202011189909.8有效
发明人：高瑞;张甘;刘治平 -专利权人：山东大学
申请日： 2020-10-30 - 公布日： 2022-12-09 - 主分类号： G16B20/00 文献下载
摘要：本发明公开了一种基于机器学习的海藻固碳蛋白预测方法及系统，包括：获取海洋藻类蛋白质序列数据，对所述数据进行特征提取；对提取的特征进行筛选后，输入到训练好的机器学习分类器；输出海藻固碳蛋白的预测结果。本发明采用机器学习算法来预测蛋白质是否具有固碳功能，相比于基于传统的生物化学实验来对大量的生物序列进行分析的方式，能够有效节省人力物力，避免引入人为误差对结果或造成干扰，具有更高的预测效率和准确率。
基于机器学习海藻蛋白预测方法系统

[发明专利]一种基于深度学习的融合多特征的蛋白质功能预测方法-CN201910215306.1有效
发明人：李敏;张富豪;宋虹 -专利权人：中南大学
申请日： 2019-03-21 - 公布日： 2022-12-09 - 主分类号： G16B20/00 文献下载
摘要：本发明提供了基于深度学习的融合多特征的蛋白质功能预测方法，包括：S1、根据蛋白质的序列信息、作用信息和同源信息，提取蛋白质的语义结构特征、亚序列特征和网络拓扑结构特征；S2、将蛋白质的语义结构特征、亚序列特征和网络拓扑结构特征输入预先训练的蛋白质功能预测模型中，输出分类结果；蛋白质功能预测模型包括：根据蛋白质语义结构特征，提取蛋白质局部语义特征；根据蛋白质亚序列特征，提取蛋白质更稠密、更高级别的亚序列特征；将蛋白质局部语义特征，更稠密、高级别的亚序列特征和网络拓扑结构特征进行融合，获得蛋白质分类融合特征；将蛋白质分类融合特征输入功能分类模块，输出分类结果。显著的提高了预测蛋白质功能的准确度。
一种基于深度学习融合特征蛋白质功能预测方法