买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜西安电子科技大学申请的专利基于图表示学习与注意力的外围基因调控特征提取方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115083511B 。

龙图腾网通过国家知识产权局官网在2025-03-14发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210729500.3，技术领域涉及：G16B5/00；该发明授权基于图表示学习与注意力的外围基因调控特征提取方法是由王炳波;韩超;董夏楠;张明婕;黄波;孟庆豆设计研发完成，并于2022-06-24向国家知识产权局提交的专利申请。

本基于图表示学习与注意力的外围基因调控特征提取方法在说明书摘要公布了：本发明公开了一种基于图表示学习与注意力机制的外围基因调控特征提取方法，解决现有方法无法在网络中提取外围基因向核心基因模块扩散模式，以及无法反映外围基因对任一核心基因的生物调控模式的问题。其技术方案是：在构建相互作用网络中确定核心基因集与外围基因集，将通过图表示学习算法得到的外围基因在相互作用网络中向核心基因扩散的能量采样、拼接组成拓扑调控特征，构建图注意力神经网络，提取外围基因对每一个核心基因的生物调控特征。本发明通过图表示学习方法提取外围基因的拓扑调控特征，搭建并训练了一个注意力神经网络，使得本发明能够在进行样本的子分类任务中有着较高的准确性。

本发明授权基于图表示学习与注意力的外围基因调控特征提取方法在权利要求书中公布了：1.一种基于图表示学习与注意力的外围基因调控特征提取方法，其特征在于，将通过图表示学习算法得到的外围基因在相互作用网络中向核心基因扩散的能量采样、拼接组成拓扑调控特征，构建图注意力神经网络；该特征提取方法的步骤包括如下：步骤1，在构建的网络中确定核心基因与外围基因：步骤1.1，构建一个由N个节点构成的人类基因相互作用网络，该人类基因相互作用网络中的每个网络节点对应一个基因，将存在相互作用的每两个基因之间建立一条边,将该网络用无向图G＝V，E建模，其中，N表示人类基因相互作用网络中基因节点的总数，V表示无向图G中基因节点的总数，V的取值与N相等，E表示无向图G中边的总数；步骤1.2，将人类基因相互作用网络中的每个基因的所有调控值相加，得到该基因对表型的调控因子，在人类基因相互作用网路中选取对表型的调控因子大于或等于4的基因组成核心基因集，在人类基因相互作用网路中选取对表型的核心基因的调控系数小于或等于0.05的所有基因节点组成外围基因集；步骤2，提取外围基因集中每个基因对核心基因集的拓扑调控特征：步骤2.1，根据下式，计算每个外围基因节点传播到核心基因集的能量： 其中，δj表示外围基因集中的第j个基因节点传播到核心基因集的能量，C表示核心基因集的大小,∑表示求和操作，r表示核心基因集中核心基因的序号，exp·表示以自然常数e为底的指数操作，i表示复数的虚部符号，λo表示由拉普拉斯矩阵分解的特征值对角矩阵中第o个特征值，o＝1,2,…,O，O表示拉普拉斯矩阵分解的特征值对角矩阵中特征值的数量，s表示扩散因子，s的取值等于由拉普拉斯矩阵分解的特征值对角矩阵中所有特征值的平均值，Url表示由拉普拉斯矩阵分解的特征向量矩阵中的第l个基因节向核心基因集中的第r个基因节点传播的能量值，Ulj表示由拉普拉斯矩阵分解的特征向量矩阵中的第j个基因节点向外围基因集中的第l个基因节点传播的能量值，l＝1,2,…,L，L表示外围基因集的大小，l的取值与o对应相等；步骤2.2，在外围基因集中的每个基因向核心基因集中每一个核心基因的传播进行采样，得到该基因节点的拓扑调控特征：γj＝concatReδj,Imδj其中，γj表示外围基因集中第j个基因节点的拓扑调控特征，Re·表示取实部操作，Im·表示取虚部操作，concat·表示拼接操作；步骤3，生成每个基因节点的初始选择向量；步骤3.1，选取q条生物功能条目，每一条生物功能条目包含了参与该生物功能的编码基因节点；将第k条生物功能条目包含的编码基因总数为nk的每一个编码基因的第k个位置置1，第k条生物功能条目中不包含的编码基因的第k个位置均置0，由此将节点集V中每一个编码基因参与q个生物功能条目的情况表示为一个p维的初始生物特征向量，对每一个编码基因节点的初始生物特征进行均值归一化得到的该编码基因节点的初始选择向量，其中，p＝q，q表示所有生物功能条目的数量；步骤3.2，在无向图G中选取每一个非编码基因节点的一阶邻居基因节点集合中的编码基因节点集合X；将第k条生物功能条目中包含的数量为nk的编码基因集与编码基因节点集合X取交集得到x个基因；将基因节点的集合中随机选择的数量为nk的基因集与编码基因节点集合X取交集得到数量为xr的重叠节点集，将该选择过程随机1000次得到1000个重叠节点集，计算所选的1000个重叠节点集规模的均值μ与方差σ，根据计算显著性得分z_score，z_score大于1.645则将非编码基因节点的第k个位置置1，z_score小于1.645则将非编码基因节点的第k个位置置0，由此将每一个非编码基因表示为一个p维的初始生物特征向量，对每一个非编码基因节点的初始生物特征进行均值归一化得到的该非编码基因节点的初始选择向量；步骤4，生成训练集：步骤4.1，将外围基因集中所有的外围基因设置为正样本，正样本的标签置为0，将基因节点的集合中除去外围基因集和核心基因集之外的其余基因设置为负样本，负样本的标签置为1；步骤4.2，在设置样本标签后的基因节点的集合中随机选择20％的正样本和20％的负样本及其正负样本对应的标签组成训练集，将在设置样本标签后的基因节点的集合中除去训练集样本之外的样本以及样本对应的标签组成测试集；步骤4.3，按照下式，计算训练集中所有的基因节点的初始选择向量的特征平均权重向量： 其中，表示由训练集中所有正样本组成的一个特征平均权重向量，Ftrain表示训练集中样本的总数，hj表示训练集中第j个基因节点的初始选择向量；步骤5，构建提取外围基因生物调控特征的图注意力神经网络：步骤5.1，搭建一个5层的提取外围基因的生物调控特征的图注意力神经网络，其结构依次为：特征选择模块，调控转换组，拼接层，KNN-图注意力模块，输出层；将特征选择模块中神经元的个数设置为ps，ps的取值与样本的初始选择向量的维度相等，所述输出层采用K-近邻分类器实现，将K-近邻分类器的参数设置为64*2；步骤5.2，所述调控转换组是由20个结构相同的调控转换层并联组成，每一个调控转换层的结构依次为：全连接层，第一激活层，转换层，第二激活层；将全连接层的参数设置为第一激活层采用softmax函数实现，将转换层中的神经元个数设置为32，第二激活层采用sigmoid函数实现，其中，p的取值与样本的初始选择向量的维度相等；步骤6，训练图注意力神经网络：步骤6.1，将训练集中的每个样本依次输入到图注意力神经网络中，经图注意力神经网络的拼接层中20个并联的调控转换层输出该样本20个调控特征，将20个调控特征拼接后得到该样本的生物调控特征，计算所有样本中的每两个样本的生物调控特征之间的欧式距离，将与每个样本的欧氏距离最小的dis个样本作为该样本的邻居集合，由此构建无向图G'＝V',E'；将无向图G'与每一个样本的生物调控特征同时输入到KNN注意力池化层中；其中，V'表示所有的样本节点，E'表示在每个样本与其邻居集合中的每一个样本之间建立的边的集合；步骤6.2，利用随机梯度下降法，迭代更新参数，直至损失函数收敛为止，得到训练好的图注意力神经网络；步骤7，提取每一个外围基因的调控特征：步骤7.1，采用与步骤2相同的方法，提取待提取拓扑调控特征的外围基因集中每个基因的拓扑调控特征；步骤7.2，采用与步骤4相同的方法，对待提取生物调控特征的外围基因进行处理，将处理后的外围基因输入到训练好的图注意力神经网络中，输出该外围基因的生物调控特征；将外围基因的生物调控特征与其对应的外围基因的拓扑调控特征拼接，得到该外围基因的调控特征。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西安电子科技大学，其通讯地址为：710071 陕西省西安市太白南路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。