CN116312744B - 一种基于gnn神经网络的生物信息获取方法 - Google Patents
一种基于gnn神经网络的生物信息获取方法 Download PDFInfo
- Publication number
- CN116312744B CN116312744B CN202310560948.1A CN202310560948A CN116312744B CN 116312744 B CN116312744 B CN 116312744B CN 202310560948 A CN202310560948 A CN 202310560948A CN 116312744 B CN116312744 B CN 116312744B
- Authority
- CN
- China
- Prior art keywords
- neural network
- biological information
- gnn
- information acquisition
- acquisition method
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 16
- 239000000758 substrate Substances 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims abstract description 6
- 239000000126 substance Substances 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 6
- 125000004429 atom Chemical group 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012854 evaluation process Methods 0.000 claims description 3
- 238000009396 hybridization Methods 0.000 claims description 3
- 229910052739 hydrogen Inorganic materials 0.000 claims description 3
- 239000001257 hydrogen Substances 0.000 claims description 3
- 125000004433 nitrogen atom Chemical group N* 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 7
- 238000003860 storage Methods 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 abstract description 2
- 230000003993 interaction Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 3
- 108091005942 ECFP Proteins 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002826 magnetic-activated cell sorting Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Physiology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biotechnology (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于生物信息获取的技术领域，公开了一种基于GNN神经网络的生物信息获取方法，在信息提取方面，通过使用MDL_molfile进行输入，可以涵括原子以及原子键更多的特征；在计算方面，使用精简张量存储分子底物信息，可以用于大规模的计算以及结果存储；在分子结构方面，可以处理更复杂的分子结构，捕捉原子间相互作用，并且可以处理不同大小的分子，在网络训练过程中可以找到它们的差异，有很高的实用价值。
Description
技术领域
本发明涉及生物信息获取的技术领域，尤其涉及一种基于GNN神经网络的生物信息获取方法。
背景技术
现阶段统计底物生物信息主要有以下三种分子指纹统计方法。而本身它们都具有各自的局限性，不能尽可能的捕捉到所有的分子信息，且三种指纹没有一定的通用性。下面是三种指纹各自的缺点：
①ECFP指纹：
ECFP指纹是基于分子的连接信息生成的，因此无法准确捕捉到分子的某些重要信息，如电荷分布等等；
②RDKit指纹：
RDKit指纹是基于化学键以及子结构生成的，因此，如果分子的化学结构非常复杂或者独特，那么RDKit指纹将无法正确表达生物信息。其次，RDKit指纹的复杂度随分子大小增加。在大型生物信息计算模型中，会加大存储以及生物计算的运算量；
③MACCS指纹
MACCS指纹是一种二进制指纹，只能表示分子中有没有某种结构，却无法表达他们之间的数量或者距离关系。MACCS指纹对于分子的相关特征较少，可能无法表达复杂分子结构。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明解决的技术问题是：现有技术存在对于分子本身信息存储的忽略，以及无法处理复杂分子结构的问题。
为解决上述技术问题，本发明提供如下技术方案：一种基于GNN神经网络的生物信息获取方法，包括：
对目标生物信息提取特征输入变量；
基于所述特征输入变量搭建图神经网络；
选取特征参数对所述图神经网络进行训练，实现生物信息的获取。
作为本发明所述的基于GNN神经网络的生物信息获取方法的一种优选方案，其中：所述特征输入变量，包括：
将获取目标生物信息的MDL Molfile文件中原子特征与化学键特征进行特征提取。
作为本发明所述的基于GNN神经网络的生物信息获取方法的一种优选方案，其中：将所述原子特征转化为10维的热编码向量；
所述原子特征包括原子数、键数、电荷、氢键数、质量、芳香性、杂交类型、手性。
作为本发明所述的基于GNN神经网络的生物信息获取方法的一种优选方案，其中：所述原子化学键有4个特征，且每个原子周边有8个电子，故所述化学键特征维度为32；
所述原子化学键4个特征包括键类型、环的一部分、立体构型和芳香性。
作为本发明所述的基于GNN神经网络的生物信息获取方法的一种优选方案，其中：基于所述提取特征，为有N个原子的分子底物构建N*N*42维度的图神经网络。
作为本发明所述的基于GNN神经网络的生物信息获取方法的一种优选方案，其中：所述图神经网络的搭建包括信息传递和信息读取；
所述信息传递中使用D-MPNN使得图神经网络中每条边有两个相反的传播方向，并通过迭代使边和点的信息不断的更新；
通过引入激活函数将结果变为非线性结构，所述激活函数表示为：
；
其中， 为输入变量。
作为本发明所述的基于GNN神经网络的生物信息获取方法的一种优选方案，其中：在迭代后的信息末尾加入dropout，表示为：
；
其中，为掩码，/> 表示odot为元素乘法运算， p为神经元被随机删除的概率。
作为本发明所述的基于GNN神经网络的生物信息获取方法的一种优选方案，其中：所述读取阶段对节点进行评定以及预测目标属性；
所述评定过程中选取均方差作为评定标准，所述均方差损失函数表示为：
；
其中， 为样本总数，/>为样本的真实值，/>为/>的预测值。
作为本发明所述的基于GNN神经网络的生物信息获取方法的一种优选方案，其中：所述训练中选取的特征参数包括：
batch_size=32
D=0.5
learning_rate=0.05
epochs=30
l2_reg_fc=0.01
l2_reg_conv=0.1
rho=0.09
其中，batch_size为批处理大小，表示每次训练模型时同时处理的样本数；D表示模型中的某个维度或特征的大小，具体含义取决于模型的结构；learning_rate为学习率，控制模型参数在每次迭代中更新的幅度；epochs为迭代次数，表示将整个训练数据集用于训练的次数，每个epoch包含一次前向传播和反向传播的过程；l2_reg_fc为 L2正则化项在全连接层中的系数，L2正则化是一种用于防止过拟合的正则化技术，通过在损失函数中加入模型权重的L2范数平方乘以正则化系数，惩罚权重的大小，促使模型更加简单平滑；l2_reg_conv为L2正则化项在卷积层中的系数，用于防止过拟合的正则化系数，应用于卷积层的权重参数；rho为Adadelta优化算法中的衰减率，用于控制历史梯度的权重。
作为本发明所述的基于GNN神经网络的生物信息获取方法的一种优选方案，其中：通过特征参数的选取，使MSE到达最低值并且使决定系数处于高水平。
本发明的有益效果：本发明提供的一种基于GNN神经网络的生物信息获取方法，在信息提取方面，通过使用MDL_molfile进行输入，可以涵括原子以及原子键更多的特征；在计算方面，使用精简张量存储分子底物信息，可以用于大规模的计算以及结果存储；在分子结构方面，可以处理更复杂的分子结构，捕捉原子间相互作用，并且可以处理不同大小的分子，在网络训练过程中可以找到它们的差异，有很高的实用价值。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明一个实施例所述的基于GNN神经网络的生物信息获取方法的整体流程图；
图2为本发明一个实施例所述的基于GNN神经网络的生物信息获取方法的预处理流程示意图；
图3为本发明一个实施例所述的基于GNN神经网络的生物信息获取方法的GNN训练示意图；
图4为本发明一个实施例所述的基于GNN神经网络的生物信息获取方法的训练过程中损失函数走向示意图；
图5为本发明一个实施例所述的基于GNN神经网络的生物信息获取方法的最终的GNN分子信息张量示意图；
图6为本发明一个实施例所述的基于GNN神经网络的生物信息获取方法的预测准确率示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1—4，为本发明的一个实施例，该实施例提供了一种基于GNN神经网络的生物信息获取方法，其特征在于，包括：
S1：对目标生物信息提取特征输入变量；
更进一步的，特征输入变量，包括：
将获取目标生物信息的MDL Molfile文件中原子特征与化学键特征进行特征提取。
更进一步的，如图2所示，将原子特征转化为10维的热编码向量；
原子特征包括原子数、键数、电荷、氢键数、质量、芳香性、杂交类型、手性。
原子化学键有4个特征，且每个原子周边有8个电子，故化学键特征维度为32；
原子化学键4个特征包括键类型、环的一部分、立体构型和芳香性。
应说明的是，环的一部分包括环的大小、类型及位置和环的化学键类型，共价键或非共价键。
S2：基于特征输入变量搭建图神经网络；
更进一步的，如图3所示，基于提取特征，为有N个原子的分子底物构建N*N*42维度的图神经网络。
更进一步的，图神经网络的搭建包括信息传递和信息读取；
信息传递中使用D-MPNN使得图神经网络中每条边有两个相反的传播方向，并通过迭代使边和点的信息不断的更新；
通过引入激活函数将结果变为非线性结构，激活函数表示为：
；
其中， 为输入变量。
更进一步，在迭代后的信息末尾加入dropout，表示为：
其中，为掩码，/> 表示odot为元素乘法运算， p为神经元被随机删除的概率。
应说明的是，加入dropout具有如下优势；①降低模型复杂度：可以随机删除一些神经元，减少神经元之间的相互依赖，降低模型过拟合的风险。②提高模型的鲁棒性：dropout能够强制让神经网络不要过于依赖某些特定的神经元，从而提高了模型的鲁棒性，使得模型更加稳健，能够更好地适应各种数据集。③加速模型训练：由于dropout可以让神经元随机失活，减少了神经元之间的冗余，从而可以加速模型训练的速度。
更进一步的，读取阶段对节点进行评定以及预测目标属性；
评定过程中选取均方差作为评定标准，均方差损失函数如图4所示，表示为：
；
其中， 为样本总数，/>为样本的真实值，/>为/>的预测值。
应说明的是，在均方误差的公式中，分数部分表示真实值与预测值之间的差异，差异越大，分数就越大，从而使整个均方误差的值变大。
S3：选取特征参数对图神经网络进行训练，实现生物信息的获取。
更进一步的，训练中选取的特征参数包括：
batch_size=32
D=0.5
learning_rate=0.05
epochs=30
l2_reg_fc=0.01
l2_reg_conv=0.1
rho=0.09
其中，batch_size为批处理大小，表示每次训练模型时同时处理的样本数；D表示模型中的某个维度或特征的大小，具体含义取决于模型的结构；learning_rate为学习率，控制模型参数在每次迭代中更新的幅度；epochs为迭代次数，表示将整个训练数据集用于训练的次数，每个epoch包含一次前向传播和反向传播的过程；l2_reg_fc为 L2正则化项在全连接层中的系数，L2正则化是一种用于防止过拟合的正则化技术，通过在损失函数中加入模型权重的L2范数平方乘以正则化系数，惩罚权重的大小，促使模型更加简单平滑；l2_reg_conv为L2正则化项在卷积层中的系数，用于防止过拟合的正则化系数，应用于卷积层的权重参数；rho为Adadelta优化算法中的衰减率，用于控制历史梯度的权重。
通过特征参数的选取，使MSE到达最低值并且使决定系数处于高水平。
应说明的是，决定系数R2反应因变量的全部变异能通过回归关系被自变量解释的比例。如R2为0.42，则表示回归关系可以解释因变量80%的变异。在控制自变量不变的情况下，因变量的变异程度会减少42%。
应说明的是，在训练期间，信息传递和信息读取两个阶段同时被优化。
实施例2
参照图5—6，为本发明的一个实施例，该实施例提供了一种基于GNN神经网络的生物信息获取方法，为了验证本发明的有益效果，通过具体的实施效果进行科学论证。
如图5所示，为根据输入变量得到的类似传统指纹的底物信息解释，在本实施例中用于进行Km值的预测使用。
如图6所示，通过使用GNN得到的分子底物信息作为输入到FCNN网络后进行的Km预测的准确率表示，在误差60%区间内的准确率。
应说明的是，Km值是一个分数位很多的小数值，真实值为100那么在40-160范围内都为预测成功。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.一种基于GNN神经网络的生物信息获取方法，其特征在于，包括：
对目标生物信息提取特征输入变量；
基于所述特征输入变量搭建图神经网络；
所述图神经网络的搭建包括信息传递和信息读取；
所述信息传递中使用D-MPNN使得图神经网络中每条边有两个相反的传播方向，并通过迭代使边和点的信息不断的更新；
通过引入激活函数将结果变为非线性结构，所述激活函数表示为：
其中，为输入变量；
在迭代后的信息末尾加入dropout，表示为：
其中，为掩码，/> 表示odot为元素乘法运算， p为神经元被随机删除的概率；
所述读取阶段对节点进行评定以及预测目标属性；
所述评定过程中选取均方差作为评定标准，所述均方差损失函数表示为：
其中，为样本总数，/>为样本的真实值，/>为/>的预测值；
选取特征参数对所述图神经网络进行训练，实现生物信息的获取。
2.如权利要求1所述的基于GNN神经网络的生物信息获取方法，其特征在于：所述特征输入变量，包括：
将获取目标生物信息的MDL Molfile文件中原子特征与化学键特征进行特征提取。
3.如权利要求2所述的基于GNN神经网络的生物信息获取方法，其特征在于：将所述原子特征转化为10维的热编码向量；
所述原子特征包括原子数、键数、电荷、氢键数、质量、芳香性、杂交类型、手性。
4.如权利要求3所述的基于GNN神经网络的生物信息获取方法，其特征在于：所述原子化学键有4个特征，且每个原子周边有8个电子，故所述化学键特征维度为32；
所述原子化学键4个特征包括键类型、环的一部分、立体构型和芳香性。
5.如权利要求4所述的基于GNN神经网络的生物信息获取方法，其特征在于：基于所述提取特征，为有N个原子的分子底物构建N*N*42维度的图神经网络。
6.如权利要求1所述的基于GNN神经网络的生物信息获取方法，其特征在于：所述训练中选取的特征参数包括：
batch_size=32
D=0.5
learning_rate=0.05
epochs=30
l2_reg_fc=0.01
l2_reg_conv=0.1
rho=0.09
其中，batch_size为批处理大小，表示每次训练模型时同时处理的样本数；D表示模型中的某个维度或特征的大小，具体含义取决于模型的结构；learning_rate为学习率，控制模型参数在每次迭代中更新的幅度；epochs为迭代次数，表示将整个训练数据集用于训练的次数，每个epoch包含一次前向传播和反向传播的过程；l2_reg_fc为 L2正则化项在全连接层中的系数，L2正则化是一种用于防止过拟合的正则化技术，通过在损失函数中加入模型权重的L2范数平方乘以正则化系数，惩罚权重的大小，促使模型更加简单平滑；l2_reg_conv为L2正则化项在卷积层中的系数，用于防止过拟合的正则化系数，应用于卷积层的权重参数；rho为Adadelta优化算法中的衰减率，用于控制历史梯度的权重。
7.如权利要求6所述的基于GNN神经网络的生物信息获取方法，其特征在于：通过特征参数的选取，使MSE到达最低值并且决定系数处于高水平。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310560948.1A CN116312744B (zh) | 2023-05-18 | 2023-05-18 | 一种基于gnn神经网络的生物信息获取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310560948.1A CN116312744B (zh) | 2023-05-18 | 2023-05-18 | 一种基于gnn神经网络的生物信息获取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116312744A CN116312744A (zh) | 2023-06-23 |
| CN116312744B true CN116312744B (zh) | 2023-09-22 |
Family
ID=86792814
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310560948.1A Active CN116312744B (zh) | 2023-05-18 | 2023-05-18 | 一种基于gnn神经网络的生物信息获取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116312744B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112002378A (zh) * | 2020-10-29 | 2020-11-27 | 武汉金开瑞生物工程有限公司 | 一种基于几何图神经网络的蛋白质信号肽的预测方法及装置 |
| CN113469891A (zh) * | 2020-03-31 | 2021-10-01 | 武汉Tcl集团工业研究院有限公司 | 一种神经网络架构搜索方法、训练方法、图像补全方法 |
| CN114333986A (zh) * | 2021-09-06 | 2022-04-12 | 腾讯科技（深圳）有限公司 | 模型训练、药物筛选和亲和力预测的方法与装置 |
| CN115148302A (zh) * | 2022-05-18 | 2022-10-04 | 上海天鹜科技有限公司 | 一种基于图神经网络与多任务学习的化合物性质预测方法 |
-
2023
- 2023-05-18 CN CN202310560948.1A patent/CN116312744B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113469891A (zh) * | 2020-03-31 | 2021-10-01 | 武汉Tcl集团工业研究院有限公司 | 一种神经网络架构搜索方法、训练方法、图像补全方法 |
| CN112002378A (zh) * | 2020-10-29 | 2020-11-27 | 武汉金开瑞生物工程有限公司 | 一种基于几何图神经网络的蛋白质信号肽的预测方法及装置 |
| CN114333986A (zh) * | 2021-09-06 | 2022-04-12 | 腾讯科技（深圳）有限公司 | 模型训练、药物筛选和亲和力预测的方法与装置 |
| CN115148302A (zh) * | 2022-05-18 | 2022-10-04 | 上海天鹜科技有限公司 | 一种基于图神经网络与多任务学习的化合物性质预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116312744A (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Buchtala et al. | Evolutionary optimization of radial basis function classifiers for data mining applications | |
| CN108427921A (zh) | 一种基于卷积神经网络的人脸识别方法 | |
| CN108647226B (zh) | 一种基于变分自动编码器的混合推荐方法 | |
| Hassan et al. | A hybrid of multiobjective Evolutionary Algorithm and HMM-Fuzzy model for time series prediction | |
| CN113033309A (zh) | 一种基于信号下采样及一维卷积神经网络的故障诊断方法 | |
| CN109740655B (zh) | 基于矩阵分解及神经协同过滤的物品评分预测方法 | |
| CN114782694B (zh) | 无监督异常检测方法、系统、设备及存储介质 | |
| CN110417694A (zh) | 一种通信信号调制方式识别方法 | |
| CN112084877B (zh) | 基于nsga-net的遥感图像识别方法 | |
| CN111753207A (zh) | 一种基于评论的神经图协同过滤模型 | |
| Pei et al. | Genetic algorithms for classification and feature extraction | |
| Fan et al. | Deep adversarial canonical correlation analysis | |
| Khan et al. | A survey of the vision transformers and its CNN-transformer based variants | |
| CN117196763A (zh) | 基于时序感知自注意力和对比学习的商品序列推荐方法 | |
| CN112631898A (zh) | 基于cnn-svm的软件缺陷预测方法 | |
| Nagae et al. | Automatic layer selection for transfer learning and quantitative evaluation of layer effectiveness | |
| CN116312744B (zh) | 一种基于gnn神经网络的生物信息获取方法 | |
| CN113033878B (zh) | 基于多拓扑分级协同粒子群lstm的滑坡位移预测方法 | |
| CN116579408A (zh) | 一种基于模型结构冗余度的模型剪枝方法及系统 | |
| CN115860056A (zh) | 一种用于混合气体浓度预测的传感器阵列神经网络方法 | |
| CN112735604B (zh) | 一种基于深度学习算法的新型冠状病毒分类方法 | |
| CN115495546A (zh) | 相似文本检索方法、系统、设备及存储介质 | |
| CN116050579A (zh) | 基于深度特征融合网络的建筑能耗预测方法及系统 | |
| CN115311521B (zh) | 基于强化学习的黑盒视频对抗样本生成方法及评价方法 | |
| CN117668701B (zh) | Ai人工智能机器学习系统及方法 |
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 |