CN110619366A - 一种基于神经网络的真菌maldi—tof质谱数据识别方法 - Google Patents
一种基于神经网络的真菌maldi—tof质谱数据识别方法 Download PDFInfo
- Publication number
- CN110619366A CN110619366A CN201910883361.8A CN201910883361A CN110619366A CN 110619366 A CN110619366 A CN 110619366A CN 201910883361 A CN201910883361 A CN 201910883361A CN 110619366 A CN110619366 A CN 110619366A
- Authority
- CN
- China
- Prior art keywords
- mass spectrum
- neural network
- maldi
- data
- spectrum data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明提供了一种基于神经网络的真菌MALDI—TOF质谱数据识别方法,本发明的技术核心是,基于神经网络智能分类技术,利用了计算机强大的运算能力,基于反向传播优化算法自动总结不同菌种荷质比权重的分布规律,进而构建真菌MALDI‑TOF质谱数据的预测分类模型。
Description
技术领域
本发明涉及真菌MALDI—TOF质谱数据识别分类领域,特别是一种基于神经网络的真菌MALDI—TOF质谱数据识别方法。
背景技术
基质辅助激光解吸电离飞行时间质谱(MALDI-TOF MS)是可以直接从完整的微生物细胞表面检测蛋白的质谱方法,基质辅助激光解吸飞行时间质谱广泛应用于微生物的鉴定等诸多领域。然而,对所得数据进行分析是具有挑战性的,因为在微生物鉴定中,不同的实验室环境(培养基的变化,培养条件,培养时间)和多样化的个人操作细节都会造成最后产生的质谱数据的差异,而且多个样本得到的质谱数据会存在分子量不对应,特征数杂乱无规律,临床得到的数据会存在噪声数据,因此对数据进行处理和分析是MALDI-TOF MS应用中的重点。
MALDI-TOF MS 数据分析工作包括 3 个主要阶段:数据采集、预处理和分析。传统质谱数据处理的流程一般来说包括平滑去噪、基线去除、峰提取、峰位置确定、定量等,其中平滑去噪一般采用Savitzky-Golay多项式、傅里叶变换和卡尔曼滤波方法;基线去除采用多项式拟合算法;峰值检测一般采用二阶导数法或者小波变换方法。传统方法流程较长,每一步流程都会造成信息损失,而且算法中若干参数的优化都依赖于历史经验,另外传统方法只能数出当前质谱所匹配的特征峰的数目,而实际上某些含量很低微的片段仍然非常具有特征鉴别的意义,此时需要人为的权重干预调整,人为主观意识的不同会造成识别误差进一步变大。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于神经网络的真菌MALDI—TOF质谱数据识别方法,以解决上述技术背景中提出的问题。
本发明的目的是通过以下技术方案来实现的:
一种基于神经网络的真菌MALDI—TOF质谱数据识别方法,其特征在于,包括以下步骤:
S1、获得真菌MALDI-TOF 质谱数据集,对每个质谱数据进行标类,得到标注好类的原始质谱数据集合;
S2、对原始质谱数据集进行归一化等预处理,得到预处理后的质谱数据集合;
S3、构建神经网络;
S4、对所构建神经网络进行训练,得到训练后的神经网络作为基于真菌MALDI-TOF质谱数据的预测模型;
S5、利用上述预测模型对新的真菌MALDI-TOF MS质谱数据进行类别预测。
进一步的,所述步骤S1中,收集阶段完成后,由专业人员对数据进行标注,取标注最多类别作为标注结果,若标注结果均不同,则数据弃用,不放入训练集,最终取得的数据集表示为(X ,Y),其中X为原始质谱数据集合,Y为类标向量,Y={y1 ,y2 ,…yn},其中yi为第i个质谱类标,n取值为自然数。
进一步的,所述步骤S2中得到预处理后的质谱数据集合还包括以下步骤:
1)、真菌样本质谱分布取值范围2000-10000,每步长为1的范围内最大信号强度值作为一个样本点,即每个数据样本Xi均为一个8000维的序列[Xi1,Xi2,...,Xi8000],其中Xij为原数据质荷比在[1999+j,2000+j)区间范围内的最大信号强度值;
2)、对数据进行归一化处理:Xi' = Xi/max(Xi1,Xi2,...,Xi8000),Xi'为归一化后的数据;
进一步的,所述步骤S3中,神经网络总深度为5层,(除输入输出层外,含有3个隐含层)3个隐含层均含有1000个节点,激活函数用RELU,并以设定的概率p=0.3丢弃部分网络节点,输出层含有K(K为总类别数量)个节点,输出层后为Softmax层,对于第i(i=1,2,3,4)全连接层,其可训练参数包含权重Wi和偏置bi,设Softmax层的输出向量S=Softmax(z),则S为K维向量,其第i维Sj计算公式如下:
其中j=1 ,2…,K,Softmax层输出向量宽度与输出层宽度一致,z表示输出层的K维输出向量,zi表示该向量第i个数据。神经网络输入为质谱数据输出为值在0~1之间的K维向量,设为P={p1 ,p2 ,…pk},pi值对应于该质谱属于第i类真菌的概率,e为自然对数的底数。
进一步的,所述步骤S4中,训练神经网络利用反向传播算法训练所构建网络的参数,其中优化算法采用ADAM算法,反向传播选用交叉熵作为损失函数,优化时获得各层梯度后,更新每一层参数,参数包括所有全连接层权重W和偏置b,进行若干次迭代后得到训练好的神经网络,形成基于真菌MALDI-TOF质谱数据的预测模型。
进一步的,在所述步骤S5中,对新的真菌MALDI-TOF 质谱数据根据步骤S2进行数据预处理,并根据步骤S4中所述预测模型对新的预处理后的MALDI-TOF质谱数据进行真菌类别预测,最后输出预测结果。
本发明的有益效果是:
(1)本发明使用神经网络方法对真菌MALDI-TOF质谱数据进行识别,反向传播神经网络能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程,克服了传统方法流程长、每一步流程会造成信息损失的缺点;
(2)对于真菌MALDI-TOF 质谱数据,存在量很低微的片段仍然非常具有特征鉴别意义的情况,神经网络会自动学习得到各个菌种的不同质荷比范围的权重系数,“器重”特征频段而“忽略”非特征频段的噪声影响,克服了传统方法需要人为的权重干预调整的弊端;
(3)本发明采用大数据分析的方法对真菌类别进行识别,获取训练集数据所用的菌株越多,则训练集质谱数据越丰富,学习到的神经网络模型具有更高的准确性和鲁棒性。
附图说明
图1为本发明的方法流程框图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
实施例1:
一种基于神经网络的真菌MALDI—TOF质谱数据识别方法,其特征在于,包括以下步骤:
S1、获得真菌MALDI-TOF 质谱数据集,对每个质谱数据进行标类,得到标注好类的原始质谱数据集合;
S2、对原始质谱数据集进行归一化等预处理,得到预处理后的质谱数据集合;
S3、构建神经网络;
S4、对所构建神经网络进行训练,得到训练后的神经网络作为基于真菌MALDI-TOF质谱数据的预测模型;
S5、利用上述预测模型对新的真菌MALDI-TOF MS质谱数据进行类别预测。
进一步的,所述步骤S1中,收集阶段完成后,由专业人员对数据进行标注,取标注最多类别作为标注结果,若标注结果均不同,则数据弃用,不放入训练集,最终取得的数据集表示为(X ,Y),其中X为原始质谱数据集合,Y为类标向量,Y={y1 ,y2 ,…yn},其中yi为第i个质谱类标,n取值为自然数。
进一步的,所述步骤S2中得到预处理后的质谱数据集合还包括以下步骤:
1)、真菌样本质谱分布取值范围2000-10000,每步长为1的范围内最大信号强度值作为一个样本点,即每个数据样本Xi均为一个8000维的序列[Xi1,Xi2,...,Xi8000],其中Xij为原数据质荷比在[1999+j,2000+j)区间范围内的最大信号强度值;
2)、对数据进行归一化处理:Xi' = Xi/max(Xi1,Xi2,...,Xi8000),Xi'为归一化后的数据。
进一步的,所述步骤S3中,神经网络总深度为5层,(除输入输出层外,含有3个隐含层)3个隐含层均含有1000个节点,激活函数用RELU,并以设定的概率p=0.3丢弃部分网络节点,输出层含有K(K为总类别数量)个节点,输出层后为Softmax层,对于第i(i=1,2,3,4)全连接层,其可训练参数包含权重Wi和偏置bi,设Softmax层的输出向量S=Softmax(z),则S为K维向量,其第i维Sj计算公式如下:
其中j=1 ,2…,K,Softmax层输出向量宽度与输出层宽度一致,z表示输出层的K维输出向量,zi表示该向量第i个数据。神经网络输入为质谱数据输出为值在0~1之间的K维向量,设为P={p1 ,p2 ,…pk},pi值对应于该质谱属于第i类真菌的概率,e为自然对数的底数。
进一步的,所述步骤S4中,训练神经网络利用反向传播算法训练所构建网络的参数,其中优化算法采用ADAM算法,反向传播选用交叉熵作为损失函数,优化时获得各层梯度后,更新每一层参数,参数包括所有全连接层权重W和偏置b,进行若干次迭代后得到训练好的神经网络,形成基于真菌MALDI-TOF质谱数据的预测模型。
进一步的,在所述步骤S5中,对新的真菌MALDI-TOF 质谱数据根据步骤S2进行数据预处理,并根据步骤S4中所述预测模型对新的预处理后的MALDI-TOF质谱数据进行真菌类别预测,最后输出预测结果。
实施例2:
一种基于神经网络的真菌MALDI—TOF质谱数据识别方法,包括以下步骤:
S1、获得真菌MALDI-TOF 质谱数据集,对每个质谱数据进行标类,得到标注好类的原始质谱数据集合;
S2、对原始质谱数据集进行归一化等预处理,得到预处理后的质谱数据集合;
S3、构建神经网络;
S4、对所构建神经网络进行训练,得到训练后的神经网络作为基于真菌MALDI-TOF质谱数据的预测模型;
S5、利用上述预测模型对新的真菌MALDI-TOF质谱数据进行类别预测。
优选的,在所述步骤S1中,收集阶段完成后,由专业人员对数据进行标注,为保证准确性由3人分开标注,取标注最多类别作为标注结果,若标注结果均不同,则数据弃用,不放入训练集。最终取得的数据集表示为(X ,Y),其中X为原始质谱数据集合,Y为类标向量,Y={y1 ,y2 ,…yn},其中yi为第i个质谱类标,n取值为自然数。
优选的,所述步骤S2中得到预处理后的质谱数据集合还包括以下步骤:
1)、考虑到质谱仪输出原始数据质荷比从2000左右到20000左右,步长约为0.145,样本点超过10万个,样本点过多会导致模型过于庞大,训练时间和识别时间均会大幅提升,且容易造成模型过拟合,考虑到真菌样本质谱有效分布范围均在10000以内,故取范2000-10000每步长为1的范围内最大信号强度值作为一个样本点,即每个数据样本Xi均为一个8000维的序列[Xi1,Xi2,...,Xi8000],其中Xij为原数据质荷比在[1999+j,2000+j)区间范围内的最大信号强度值;
2)、对数据进行归一化处理:Xi' = Xi/max(Xi1,Xi2,...,Xi8000),Xi'为归一化后的数据。
进一步的,所述步骤S3中,神经网络总深度为5层(除输入输出层外,含有3个隐含层),3个隐含层均含有1000个节点,激活函数用RELU,并以设定的概率p=0.3丢弃部分网络节点,输出层含有K(K为总类别数量)个节点,输出层后为Softmax层,对于第i(i=1,2,3,4)全连接层,其可训练参数包含权重Wi和偏置bi,设Softmax层的输出向量S=Softmax(z),则S为K维向量,其第i维Sj计算公式如下:
其中j=1 ,2…,K,Softmax层输出向量宽度与输出层宽度一致,z表示输出层的K维输出向量,zi表示该向量第i个数据。神经网络输入为质谱数据输出为值在0~1之间的K维向量,设为P={p1 ,p2 ,…pk},pi值对应于该质谱属于第i类真菌的概率,e为自然对数的底数。
优选的,所述步骤S4中,训练神经网络利用反向传播算法训练步骤S3中所构建网络的参数,其中优化算法采用ADAM(adaptive moment estimation,自适应矩估计)算法,该方法为适应性梯度下降算法,在保证优化结果的情况下,减少优化参数,同时有更快的收敛速度,反向传播选用交叉熵作为损失函数,优化时获得各层梯度后,更新每一层参数,参数包括所有全连接层权重W和偏置b,进行若干次迭代后得到训练好的神经网络,从而形成基于真菌MALDI-TOF质谱数据的预测模型。
进一步的,在所述步骤S5中,对新的真菌MALDI-TOF质谱数据根据步骤S2进行数据预处理,并根据步骤S4中所述预测模型对新的预处理后的MALDI-TOF质谱数据进行真菌类别预测,最后输出预测结果。
以上所述实施例仅表达了本发明的具体实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (6)
1.一种基于神经网络的真菌MALDI—TOF质谱数据识别方法,其特征在于,包括以下步骤:
S1、获得真菌MALDI-TOF 质谱数据集,对每个质谱数据进行标类,得到标注好类的原始质谱数据集合;
S2、对原始质谱数据集进行归一化等预处理,得到预处理后的质谱数据集合;
S3、构建神经网络;
S4、对所构建神经网络进行训练,得到训练后的神经网络作为基于真菌MALDI-TOF质谱数据的预测模型;
S5、利用上述预测模型对新的真菌MALDI-TOF MS质谱数据进行类别预测。
2.根据权利要求1所述的一种基于神经网络的真菌MALDI—TOF质谱数据识别方法,其特征在于,所述步骤S1中,收集阶段完成后,由专业人员对数据进行标注,取标注最多类别作为标注结果,若标注结果均不同,则数据弃用,不放入训练集,最终取得的数据集表示为(X ,Y),其中X为原始质谱数据集合,Y为类标向量,Y={y1 ,y2 ,…yn},其中yi为第i个质谱类标,n取值为自然数。
3.根据权利要求1所述的一种基于神经网络的真菌MALDI—TOF质谱数据识别方法,其特征在于,所述步骤S2中得到预处理后的质谱数据集合还包括以下步骤:
1)、真菌样本质谱分布取值范围2000-10000,每步长为1的范围内最大信号强度值作为一个样本点,即每个数据样本Xi均为一个8000维的序列[Xi1,Xi2,...,Xi8000],其中Xij为原数据质荷比在[1999+j,2000+j)区间范围内的最大信号强度值;
2)、对数据进行归一化处理:Xi' = Xi/max(Xi1,Xi2,...,Xi8000),Xi'为归一化后的数据。
4.根据权利要求1所述的一种基于神经网络的真菌MALDI—TOF质谱数据识别方法,其特征在于,所述步骤S3中,神经网络总深度为5层,(除输入输出层外,含有3个隐含层)3个隐含层均含有1000个节点,激活函数用RELU,并以设定的概率p=0.3丢弃部分网络节点,输出层含有K(K为总类别数量)个节点,输出层后为Softmax层,对于第i(i=1,2,3,4)全连接层,其可训练参数包含权重Wi和偏置bi,设Softmax层的输出向量S=Softmax(z),则S为K维向量,其第i维Sj计算公式如下:
其中j=1 ,2…,K,Softmax层输出向量宽度与输出层宽度一致,z表示输出层的K维输出向量,zi表示该向量第i个数据,神经网络输入为质谱数据输出为值在0~1之间的K维向量,设为P={p1 ,p2 ,…pk},pi值对应于该质谱属于第i类真菌的概率,e为自然对数的底数。
5.根据权利要求1所述的一种基于神经网络的真菌MALDI—TOF质谱数据识别方法,其特征在于,所述步骤S4中,训练神经网络利用反向传播算法训练所构建网络的参数,其中优化算法采用ADAM算法,反向传播选用交叉熵作为损失函数,优化时获得各层梯度后,更新每一层参数,参数包括所有全连接层权重W和偏置b,进行若干次迭代后得到训练好的神经网络,形成基于真菌MALDI-TOF质谱数据的预测模型。
6.根据权利要求1所述的一种基于神经网络的真菌MALDI—TOF质谱数据识别方法,其特征在于,在所述步骤S5中,对新的真菌MALDI-TOF 质谱数据根据步骤S2进行数据预处理,并根据步骤S4中所述预测模型对新的预处理后的MALDI-TOF质谱数据进行真菌类别预测,最后输出预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910883361.8A CN110619366A (zh) | 2019-09-18 | 2019-09-18 | 一种基于神经网络的真菌maldi—tof质谱数据识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910883361.8A CN110619366A (zh) | 2019-09-18 | 2019-09-18 | 一种基于神经网络的真菌maldi—tof质谱数据识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110619366A true CN110619366A (zh) | 2019-12-27 |
Family
ID=68923404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910883361.8A Withdrawn CN110619366A (zh) | 2019-09-18 | 2019-09-18 | 一种基于神经网络的真菌maldi—tof质谱数据识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110619366A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117034017A (zh) * | 2023-09-07 | 2023-11-10 | 云鉴康(杭州)医疗科技有限公司 | 一种基于深度学习的质谱图分类方法、系统、介质及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108520206A (zh) * | 2018-03-22 | 2018-09-11 | 南京大学 | 一种基于全卷积神经网络的真菌显微图像识别方法 |
US20180340827A1 (en) * | 2017-05-23 | 2018-11-29 | Shimadzu Corporation | Mass analysis data analyzing apparatus and mass analysis data analyzing program |
-
2019
- 2019-09-18 CN CN201910883361.8A patent/CN110619366A/zh not_active Withdrawn
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180340827A1 (en) * | 2017-05-23 | 2018-11-29 | Shimadzu Corporation | Mass analysis data analyzing apparatus and mass analysis data analyzing program |
CN108520206A (zh) * | 2018-03-22 | 2018-09-11 | 南京大学 | 一种基于全卷积神经网络的真菌显微图像识别方法 |
Non-Patent Citations (1)
Title |
---|
曾晓娟: "一种基于神经网络的图像识别算法", 《电脑知识与技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117034017A (zh) * | 2023-09-07 | 2023-11-10 | 云鉴康(杭州)医疗科技有限公司 | 一种基于深度学习的质谱图分类方法、系统、介质及设备 |
CN117034017B (zh) * | 2023-09-07 | 2024-03-19 | 云鉴康(杭州)医疗科技有限公司 | 一种基于深度学习的质谱图分类方法、系统、介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113378632B (zh) | 一种基于伪标签优化的无监督域适应行人重识别方法 | |
CN109620152B (zh) | 一种基于MutiFacolLoss-Densenet的心电信号分类方法 | |
CN111126386B (zh) | 场景文本识别中基于对抗学习的序列领域适应方法 | |
CN109101938B (zh) | 一种基于卷积神经网络的多标签年龄估计方法 | |
CN113569742B (zh) | 一种基于卷积神经网络的宽频带电磁干扰源识别方法 | |
CN112732748B (zh) | 一种基于自适应特征选择的非侵入式家电负荷识别方法 | |
CN111461025B (zh) | 一种自主进化的零样本学习的信号识别方法 | |
CN112434662B (zh) | 一种基于多尺度卷积神经网络的茶叶病斑自动识别算法 | |
CN111553186A (zh) | 一种基于深度长短时记忆网络的电磁信号识别方法 | |
CN111275165A (zh) | 一种基于改进卷积神经网络的网络入侵检测方法 | |
CN113920472A (zh) | 一种基于注意力机制的无监督目标重识别方法及系统 | |
CN108664653A (zh) | 一种基于K-means的医疗消费客户自动分类方法 | |
CN111898591A (zh) | 一种基于剪枝残差网络的调制信号识别方法 | |
CN117152746B (zh) | 一种基于yolov5网络的宫颈细胞分类参数获取方法 | |
CN111224998B (zh) | 一种基于极限学习机的僵尸网络识别方法 | |
CN112784921A (zh) | 任务注意力引导的小样本图像互补学习分类算法 | |
CN111259917A (zh) | 一种基于局部近邻成分分析的图像特征提取方法 | |
CN109871805A (zh) | 一种电磁信号开集识别方法 | |
CN117612644B (zh) | 一种空气安全评价方法及系统 | |
CN110619366A (zh) | 一种基于神经网络的真菌maldi—tof质谱数据识别方法 | |
CN115270878A (zh) | 基于类激活图和SincNet网络的辐射源个体识别方法 | |
CN114544592A (zh) | 一种基于卷积神经网络的拉曼光谱智能分类方法 | |
Cope et al. | Classifying plant leaves from their margins using dynamic time warping | |
CN116089828A (zh) | 基于沙猫群优化支持向量机算法的葡萄酒种类识别方法 | |
CN115601634A (zh) | 一种基于层次性注意力机制的图像叶片识别方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20191227 |
|
WW01 | Invention patent application withdrawn after publication |