CN110729024A - 一种基于拓扑结构相似性的蛋白质结构模型质量评估方法 - Google Patents
一种基于拓扑结构相似性的蛋白质结构模型质量评估方法 Download PDFInfo
- Publication number
- CN110729024A CN110729024A CN201910793342.6A CN201910793342A CN110729024A CN 110729024 A CN110729024 A CN 110729024A CN 201910793342 A CN201910793342 A CN 201910793342A CN 110729024 A CN110729024 A CN 110729024A
- Authority
- CN
- China
- Prior art keywords
- protein
- similarity
- contact
- points
- small rectangular
- 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.)
- Granted
Links
- 102000004169 proteins and genes Human genes 0.000 title claims abstract description 90
- 108090000623 proteins and genes Proteins 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title abstract description 18
- 238000013441 quality evaluation Methods 0.000 title abstract description 11
- 150000001413 amino acids Chemical class 0.000 claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims abstract description 23
- 125000003275 alpha amino acid group Chemical group 0.000 claims description 5
- 238000001303 quality assessment method Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 8
- 239000013078 crystal Substances 0.000 description 4
- 238000000455 protein structure prediction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000012846 protein folding Effects 0.000 description 3
- 238000005481 NMR spectroscopy Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000329 molecular dynamics simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008827 biological function Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B15/00—ICT specially adapted for analysing two-dimensional or three-dimensional molecular structures, e.g. structural or functional relations or structure alignment
- G16B15/20—Protein or domain folding
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Biotechnology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioethics (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
一种基于拓扑结构相似性的蛋白质结构模型质量评估方法，设计了一种新的蛋白质结构模型质量评估指标，根据目标蛋白和天然蛋白每对氨基酸在空间的距离信息判定两个结构的相似度；以两两二级结构在空间中形成的接触矩阵为单位一一比对相似度，对于局部结构的微小误差不敏感，而是从整体拓扑结构的相似性上打分。本发明将评估分数设定在[0,100]，分数越高表示蛋白质精度越高，消除了评估分数对蛋白质长度的依赖性。
Description
技术领域
本发明涉及生物信息学、计算机应用领域，尤其涉及的是一种基于拓扑结构相似性的蛋白质结构模型质量评估方法。
背景技术
蛋白质只有在折叠成特定的结构之后方能行使特定的生物学功能，因此了解蛋白质结构对于认识其功能有着重要意义。测定蛋白质三级结构的主流实验方法包括X-射线晶体衍射和核磁共振等。X-射线晶体衍射技术能够获得高精度的蛋白质结构，但是很多蛋白质难以制备用于结构解析的晶体，因此无法通过此方法测定结构。核磁共振虽不需要制备蛋白质晶体，但一般仅能测定长度不超过300个氨基酸的小蛋白。
由于蛋白质结构实验测定的速度远远跟不上序列测定的速度，无法满足大规模蛋白质结构解析的需求，因此使用计算的方法根据蛋白质序列预测结构是非常有意义的工作。蛋白质结构预测的直观思路是直接使用分子动力学技术模拟蛋白质的折叠过程，模拟蛋白质的折叠过程有助于理解蛋白质的折叠机理，以及能量函数的设计。然而，由于需要大量的计算资源，以及缺乏对蛋白质折叠过程的深刻认识，现有的分子动力学模拟技术无法进行快速、准确的结构预测，因此基于统计学习和组合优化的预测算法则成为预测蛋白质结构的主要手段。从头蛋白质结构预测方法是一种常用的蛋白质结构预测方法，由于它仅利用一级序列信息进行预测，而不依赖于已知蛋白质结构模板，所以该方法也是一种较理想的预测方法。
在蛋白质结构预测中，通常通过计算预测结构与真实结构中等效残基的距离的均方根偏差(RMSD)来评价预测结构的精度。但使用均方根偏差的问题在于，当RMSD值较大时，它对局部结构偏差异常敏感，而不能对全局结构打出合理的分数；并且RMSD的值所代表的精确度与蛋白质的大小密切相关，RMSD为长度为45的蛋白质的精度不一定比RMSD为
长度为100的蛋白质高，因此RMSD不能很好地反映预测蛋白质的精度
其他的评分函数，例如GDT-TS和MaxSub，依赖于找到模型子结构，其中所有的残基都在相应模板残基的特定阈值距离内，而该阈值是人为主观设定的，因此不能够用于所有蛋白质的评估标准。
发明内容
本发明提出一种基于拓扑结构相似性的蛋白质结构模型质量评估方法，设计了一种新的蛋白质结构模型质量评估指标，根据目标蛋白和天然蛋白每对氨基酸在空间的距离信息判定两个结构的相似度；以两两二级结构在空间中形成的接触矩阵为单位一一比对相似度，对于局部结构的微小误差不敏感，而是从整体拓扑结构的相似性上打分。本发明将评估分数设定在[0,100]，分数越高表示蛋白质精度越高，消除了评估分数对蛋白质长度的依赖性。
本发明解决其技术问题所采用的技术方案是：
一种基于拓扑结构相似性的蛋白质结构模型质量评估方法，所述方法包括以下步骤：
1)输入待评估目标蛋白质及其天然蛋白质结构信息，读取序列长度L及天然蛋白质二级结构信息；
2)分别读取两个蛋白质形成的接触信息：对于每个个体，计算每一对氨基酸之间的距离，当两个氨基酸之间的距离小于等于时，则定义为接触，记为1，否则记为0，最终构建出一个L×L的接触矩阵，记两个个体的接触矩阵分别为Mtarget、Mnative；
3)首尾为loop区域除外，以二级结构中其他loop区域的中心氨基酸为界将蛋白质结构分为E个区域；将两个个体的接触矩阵按每段区域的氨基酸序号划分为E×E个小矩形图，记作：
4)将两个接触矩阵重叠，按如下公式计算并集的接触：
5)将矩阵主对角线上的E个小矩形图中的点都记为0；
5.1)设e＝1，e∈{1,2,...,E}；
5.2)选择矩阵中第e个小矩形图，计算其中记为1的点在小矩形图中的两两之间的欧式距离，选择其中最大的距离值，记为de；
5.3)在第e个小矩形图中，|i-j|＜＝12的点的个数记为
12<|i-j|＜＝23的点的个数记为
|i-j|＞＝24的点的个数记为
其中i和j均∈{1,2，…L}，表示氨基酸序号，|i-j|表示两个氨基酸在序列上的距离；
5.4)按如下公式计算第e个小矩形图按不同权重分配得到的欧式距离值De：
5.5)e＝e+1；若e≤E，转至步骤5.2)；
6)按照如下公式计算每个小矩形图所分配的分数：
7)按照步骤5)，分别计算目标蛋白的接触矩阵Mtarget和天然蛋白的接触矩阵Mnative中每个小矩形图按不同权重分配得到的欧式距离值De，分别记为和
按照如下公式计算两个蛋白质每个小矩形图的相似度分数：
则目标蛋白质与天然蛋白质结构相似度分数为：
8)输出相似度打分结果即为目标蛋白质结构模型质量的评分。
本发明的有益效果为：设计了蛋白质结构模型质量评估指标，以两两二级结构在空间中形成的小接触矩阵为单位一一比对相似度，根据整体拓扑结构的相似性打分，对于局部结构的微小误差不敏感。本发明将评估分数设定为[0,100]，分数越高表示蛋白质精度越高，消除了评估分数对蛋白质长度的依赖性。
附图说明
图1是一种基于拓扑结构相似性的蛋白质结构模型质量评估方法所评估的目标蛋白与天然蛋白1CG5B的三维结构图，目标蛋白的模型质量得分为67.3，其中，(a)是目标蛋白，(b)是天然蛋白。
图2是一种基于拓扑结构相似性的蛋白质结构模型质量评估方法对蛋白质1CG5B进行划分的矩阵图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1和图2，一种基于拓扑结构相似性的蛋白质结构模型质量评估方法，包括以下步骤：
1)输入待评估目标蛋白质及其天然蛋白质结构信息，读取序列长度L及天然蛋白质二级结构信息；
2)分别读取两个蛋白质形成的接触信息：对于每个个体，计算每一对氨基酸之间的距离，当两个氨基酸之间的距离小于等于
时，则定义为接触，记为1，否则记为0，最终构建出一个L×L的接触矩阵，记两个个体的接触矩阵分别为Mtarget、Mnative；
3)首尾为loop区域除外，以二级结构中其他loop区域的中心氨基酸为界将蛋白质结构分为E个区域；将两个个体的接触矩阵按每段区域的氨基酸序号划分为E×E个小矩形图，记作：
4)将两个接触矩阵重叠，按如下公式计算并集的接触：
5)将矩阵主对角线上的E个小矩形图中的点都记为0；
5.1)设e＝1，e∈{1,2,…,E}；
5.2)选择矩阵中第e个小矩形图，计算其中记为1的点在小矩形图中的两两之间的欧式距离，选择其中最大的距离值，记为de；
5.3)在第e个小矩形图中，|i-j|＜＝12的点的个数记为
12<|i-j|＜＝23的点的个数记为|i-j|＞＝24的点的个数记为
其中i和j均∈{1,2，…L}，表示氨基酸序号，|i-j|表示两个氨基酸在序列上的距离；
5.4)按如下公式计算第e个小矩形图按不同权重分配得到的欧式距离值De：
5.5)e＝e+1；若e≤E，转至步骤5.2)；
6)按照如下公式计算每个小矩形图所分配的分数：
7)按照步骤5)，分别计算目标蛋白的接触矩阵Mtarget和天然蛋白的接触矩阵Mnative中每个小矩形图按不同权重分配得到的欧式距离值De，分别记为
和
按照如下公式计算两个蛋白质每个小矩形图的相似度分数：
则目标蛋白质与天然蛋白质结构相似度分数为：
8)输出相似度打分结果即为目标蛋白质结构模型质量的评分。
本实施例以序列长度为141，RMSD为
的蛋白质1CG5B为实施例，一种基于拓扑结构相似性的蛋白质结构模型质量评估方法，包括以下步骤：
1)输入待评估目标蛋白质及其天然蛋白质结构信息，读取序列长度L＝141及天然蛋白质二级结构信息；
2)分别读取两个蛋白质形成的接触信息：对于每个个体，计算每一对氨基酸之间的距离，当两个氨基酸之间的距离小于等于
时，则定义为接触，记为1，否则记为0，最终构建出一个L×L的接触矩阵，记两个个体的接触矩阵分别为Mtarget、Mnative；
3)首尾为loop区域除外，以二级结构中其他loop区域的中心氨基酸为界将蛋白质结构分为E个区域；将两个个体的接触矩阵按每段区域的氨基酸序号划分为E×E个小矩形图，记作：
4)将两个接触矩阵重叠，按如下公式计算并集的接触：
5)将矩阵主对角线上的E个小矩形图中的点都记为0；
5.1)设e＝1，e∈{1,2,...,E}；
5.2)选择矩阵中第e个小矩形图，计算其中记为1的点在小矩形图中的两两之间的欧式距离，选择其中最大的距离值，记为de；
5.3)在第e个小矩形图中，|i-j|＜＝12的点的个数记为
12<|i-j|＜＝23的点的个数记为
|i-j|＞＝24的点的个数记为其中i和j均∈{1,2，…L}，表示氨基酸序号，|i-j|表示两个氨基酸在序列上的距离；
5.4)按如下公式计算第e个小矩形图按不同权重分配得到的欧式距离值De：
5.5)e＝e+1；若e≤E，转至步骤5.2)；
6)按照如下公式计算每个小矩形图所分配的分数：
7)按照步骤5)，分别计算目标蛋白的接触矩阵Mtarget和天然蛋白的接触矩阵Mnative中每个小矩形图按不同权重分配得到的欧式距离值De，分别记为
和按照如下公式计算两个蛋白质每个小矩形图的相似度分数：
则目标蛋白质与天然蛋白质结构相似度分数为：
8)输出相似度打分结果即为目标蛋白质结构模型质量的评分。
以氨基酸序列长度为141的蛋白质1CG5B为实施例，运用以上方法得到了该蛋白质的模型质量评估分数，输出结果为67.3。
以上阐述是本发明给出的一个实施的评估效果，本发明不仅适合上述实施例，在不偏离本发明基本思想及不超出本发明实质内容的前提下可对其做种种改进加以实施。
Claims (1)
1.一种基于拓扑结构相似性的蛋白质结构模型质量评估方法，其特征在于，所述方法包括以下步骤：
1)输入待评估目标蛋白质及其天然蛋白质结构信息，读取序列长度L及天然蛋白质二级结构信息；
2)分别读取两个蛋白质形成的接触信息：对于每个个体，计算每一对氨基酸之间的距离，当两个氨基酸之间的距离小于等于
时，则定义为接触，记为1，否则记为0，最终构建出一个L×L的接触矩阵，记两个个体的接触矩阵分别为Mtarget、Mnative；
3)首尾为loop区域除外，以二级结构中其他loop区域的中心氨基酸为界将蛋白质结构分为E个区域；将两个个体的接触矩阵按每段区域的氨基酸序号划分为E×E个小矩形图，记作：
4)将两个接触矩阵重叠，按如下公式计算并集的接触：
5)将矩阵主对角线上的E个小矩形图中的点都记为0；
5.1)设e＝1，e∈{1,2,...,E}；
5.2)选择矩阵中第e个小矩形图，计算其中记为1的点在小矩形图中的两两之间的欧式距离，选择其中最大的距离值，记为de；
5.3)在第e个小矩形图中，|i-j|＜＝12的点的个数记为
12<|i-j|＜＝23的点的个数记为
|i-j|＞＝24的点的个数记为
其中i和j均∈{1,2，...L}，表示氨基酸序号，|i-j|表示两个氨基酸在序列上的距离；
5.4)按如下公式计算第e个小矩形图按不同权重分配得到的欧式距离值De：
5.5)e＝e+1；若e≤E，转至步骤5.2)；
6)按照如下公式计算每个小矩形图所分配的分数：
7)按照步骤5)，分别计算目标蛋白的接触矩阵Mtarget和天然蛋白的接触矩阵Mnative中每个小矩形图按不同权重分配得到的欧式距离值De，分别记为
和
按照如下公式计算两个蛋白质每个小矩形图的相似度分数：
则目标蛋白质与天然蛋白质结构相似度分数为：
8)输出相似度打分结果即为目标蛋白质结构模型质量的评分。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910793342.6A CN110729024B (zh) | 2019-08-27 | 2019-08-27 | 一种基于拓扑结构相似性的蛋白质结构模型质量评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910793342.6A CN110729024B (zh) | 2019-08-27 | 2019-08-27 | 一种基于拓扑结构相似性的蛋白质结构模型质量评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110729024A true CN110729024A (zh) | 2020-01-24 |
| CN110729024B CN110729024B (zh) | 2021-12-17 |
Family
ID=69217154
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910793342.6A Active CN110729024B (zh) | 2019-08-27 | 2019-08-27 | 一种基于拓扑结构相似性的蛋白质结构模型质量评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110729024B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113223631A (zh) * | 2021-05-06 | 2021-08-06 | 吉林大学 | 一种晶体结构解析方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107622182A (zh) * | 2017-08-04 | 2018-01-23 | 中南大学 | 蛋白质局部结构特征的预测方法及系统 |
| WO2019040871A1 (en) * | 2017-08-24 | 2019-02-28 | Miller Julian | DEVICE FOR ENCODING AND STORING INFORMATION USING ARTIFICIALLY EXPANDED ALPHABETS OF NUCLEIC ACIDS AND OTHER ANALOGOUS POLYMERS |
| CN109448784A (zh) * | 2018-08-29 | 2019-03-08 | 浙江工业大学 | 一种基于二面角信息辅助能量函数选择的蛋白质结构预测方法 |
| US20190204339A1 (en) * | 2006-02-13 | 2019-07-04 | Washington University | Methods of polypeptide identification, and compositions therefor |
| CN110120244A (zh) * | 2019-03-28 | 2019-08-13 | 浙江工业大学 | 一种基于接触图的蛋白质结构比对方法 |
-
2019
- 2019-08-27 CN CN201910793342.6A patent/CN110729024B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190204339A1 (en) * | 2006-02-13 | 2019-07-04 | Washington University | Methods of polypeptide identification, and compositions therefor |
| CN107622182A (zh) * | 2017-08-04 | 2018-01-23 | 中南大学 | 蛋白质局部结构特征的预测方法及系统 |
| WO2019040871A1 (en) * | 2017-08-24 | 2019-02-28 | Miller Julian | DEVICE FOR ENCODING AND STORING INFORMATION USING ARTIFICIALLY EXPANDED ALPHABETS OF NUCLEIC ACIDS AND OTHER ANALOGOUS POLYMERS |
| CN109448784A (zh) * | 2018-08-29 | 2019-03-08 | 浙江工业大学 | 一种基于二面角信息辅助能量函数选择的蛋白质结构预测方法 |
| CN110120244A (zh) * | 2019-03-28 | 2019-08-13 | 浙江工业大学 | 一种基于接触图的蛋白质结构比对方法 |
Non-Patent Citations (2)
| Title |
|---|
| JOHN L: ""A new method to improve network topological similarity search: applied to fold recognition"", 《BIOINFORMATICS》 * |
| 李书蔚: ""连续模型上的蛋白质分子场拓扑骨架的提取"", 《杭州电子科技大学学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113223631A (zh) * | 2021-05-06 | 2021-08-06 | 吉林大学 | 一种晶体结构解析方法及系统 |
| CN113223631B (zh) * | 2021-05-06 | 2024-05-24 | 吉林大学 | 一种晶体结构解析方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110729024B (zh) | 2021-12-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Campbell et al. | Assessing colour-dependent occupation statistics inferred from galaxy group catalogues | |
| CN109492099A (zh) | 一种基于领域对抗自适应的跨领域文本情感分类方法 | |
| Li et al. | Protein contact map prediction based on ResNet and DenseNet | |
| CN110232445B (zh) | 一种基于知识蒸馏的文物真伪鉴定方法 | |
| CN105260371B (zh) | 一种特征选择方法及装置 | |
| CN110210625A (zh) | 基于迁移学习的建模方法、装置、计算机设备和存储介质 | |
| Quinn et al. | Information geometry for multiparameter models: New perspectives on the origin of simplicity | |
| CN114708903A (zh) | 一种基于自注意力机制的蛋白质残基间距离预测方法 | |
| CN110729024B (zh) | 一种基于拓扑结构相似性的蛋白质结构模型质量评估方法 | |
| CN106599610A (zh) | 预测长链非编码rna和蛋白质联系的方法及系统 | |
| Sun et al. | Protein function prediction using function associations in protein–protein interaction network | |
| Jain et al. | Object detection using coco dataset | |
| CN107544944B (zh) | 一种基于图论的支持向量机核函数选择方法及其应用 | |
| CN111144466B (zh) | 一种图像样本自适应的深度度量学习方法 | |
| CN114281950B (zh) | 基于多图加权融合的数据检索方法与系统 | |
| US10824899B2 (en) | Structural clustering and alignment of OCR results | |
| CN108021985A (zh) | 一种模型参数训练方法及装置 | |
| Deorowicz et al. | Kalign-LCS—a more accurate and faster variant of Kalign2 algorithm for the multiple sequence alignment problem | |
| CN115331754A (zh) | 基于哈希算法的分子分类方法 | |
| Wang et al. | Two new heuristic methods for protein model quality assessment | |
| KR100836166B1 (ko) | 단백질의 아미노산 서열로부터 삼차 구조를 예측하기 위한장치 및 이의 예측 방법 | |
| CN101710365B (zh) | 一种蛋白激酶磷酸化特异位点计算识别方法 | |
| Xiao et al. | Patch-wise Mixed-Precision Quantization of Vision Transformer | |
| CN109326318B (zh) | 一种基于Loop区域高斯扰动的群体蛋白质结构预测方法 | |
| CN111383710A (zh) | 基于粒子群优化双子支持向量机的基因剪接位点识别模型构建方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231221 Address after: 518054, D1101, Building 4, Software Industry Base, No. 19, 17, and 18 Haitian 1st Road, Binhai Community, Yuehai Street, Nanshan District, Shenzhen City, Guangdong Province Patentee after: Shenzhen Xinrui Gene Technology Co.,Ltd. Address before: 510075 No. n2248, floor 3, Xingguang Yingjing, No. 117, Shuiyin Road, Yuexiu District, Guangzhou City, Guangdong Province Patentee before: GUANGZHOU ZHAOJI BIOTECHNOLOGY CO.,LTD. Effective date of registration: 20231221 Address after: 510075 No. n2248, floor 3, Xingguang Yingjing, No. 117, Shuiyin Road, Yuexiu District, Guangzhou City, Guangdong Province Patentee after: GUANGZHOU ZHAOJI BIOTECHNOLOGY CO.,LTD. Address before: The city Zhaohui six districts Chao Wang Road Hangzhou City, Zhejiang province 310014 18 Patentee before: JIANG University OF TECHNOLOGY |
|
| TR01 | Transfer of patent right |