欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024116996270
申请人: 佛山大学
专利类型:发明专利
专利状态:已下证
更新日期:2026-11-11
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于深度神经网络的癌症预后评估与靶点识别方法,其特征在于,所述方法包括:获取基因表达数据,并对所述基因表达数据进行预处理,获得初始数据;

使用结合扩散模型和自编码器的深度神经网络对所述初始数据进行特征提取处理,获得基因表达特征的低维表达;

将所述基因表达特征的低维表达输入XGBoost生存分析模型,获得风险值,并根据所述风险值获得癌症预后评估结果;

根据所述风险值以及患者基因表达进行差异表达分析,获得癌症预后靶点;

所述使用结合扩散模型和自编码器的深度神经网络对所述初始数据进行特征提取处理,获得基因表达特征的低维表达,包括:将所述初始数据映射到低维空间,提取关键特征,得到基因表达特征的低维表达;

所述结合扩散模型和自编码器的深度神经网络的训练过程包括以下步骤:获取实验数据,并对所述实验数据进行预处理,得到训练数据;

对所述训练数据添加噪声以实现扩散步骤,返回带噪声的数据和生成的噪声,得到样本数据;

将所述样本数据输入至结合扩散模型和自编码器的深度神经网络中,所述结合扩散模型和自编码器的深度神经网络包括编码器和解码器,所述编码器将样本数据映射到潜在空间,所述解码器将压缩后的表示还原回原始维度,得到训练基因表达特征的低维表达;

使用优化器进行反向传播,计算损失函数对结合扩散模型和自编码器的深度神经网络参数的梯度,最小化重构误差,更新编码器的参数以及解码器的参数;

根据循环次数对结合扩散模型和自编码器的深度神经网络进行训练,每个批次执行扩散步骤、前向传播、计算损失、反向传播和优化;

其中,自编码器损失为重构损失、去噪损失和正则化损失之和。

2.根据权利要求1所述的基于深度神经网络的癌症预后评估与靶点识别方法,其特征在于,所述获取基因表达数据,并对所述基因表达数据进行预处理,获得初始数据,包括:获取患者的基因表达数据,并对所述基因表达数据中的缺失值进行平均数的填充,获得初始数据。

3.根据权利要求1所述的基于深度神经网络的癌症预后评估与靶点识别方法,其特征在于,所述优化器为Adam优化器。

4.根据权利要求1所述的基于深度神经网络的癌症预后评估与靶点识别方法,其特征在于,所述获取实验数据,并对所述实验数据进行预处理,得到训练数据,包括:从TCGA和GEO公开数据集获取癌症患者的基因表达数据和生存数据,并对获取到的数据中的缺失值使用平均数进行填补,得到训练数据。

5.根据权利要求1所述的基于深度神经网络的癌症预后评估与靶点识别方法,其特征在于,所述XGBoost生存分析模型的训练过程包括以下步骤:所述训练基因表达特征的低维表达作为输入,构建适合生存分析的数据格式;

初始化XGBoost生存分析模型,并使用所述训练基因表达特征的低维表达和生存时间作为标签对所述XGBoost生存分析模型进行训练。

6.一种基于深度神经网络的癌症预后评估与靶点识别系统,其特征在于,所述系统包括:数据获取模块,所述数据获取模块用于获取基因表达数据,并对所述基因表达数据进行预处理,获得初始数据;

特征获取模块,所述特征获取模块用于使用结合扩散模型和自编码器的深度神经网络对所述初始数据进行特征提取处理,获得基因表达特征的低维表达;

评估结果获取模块,所述评估结果获取模块用于将所述基因表达特征的低维表达输入XGBoost生存分析模型,获得风险值,并根据所述风险值获得癌症预后评估结果;

靶点获取模块,所述靶点获取模块用于根据所述风险值以及患者基因表达进行差异表达分析,获得癌症预后靶点;

所述使用结合扩散模型和自编码器的深度神经网络对所述初始数据进行特征提取处理,获得基因表达特征的低维表达,包括:将所述初始数据映射到低维空间,提取关键特征,得到基因表达特征的低维表达;

所述结合扩散模型和自编码器的深度神经网络的训练过程包括以下步骤:获取实验数据,并对所述实验数据进行预处理,得到训练数据;

对所述训练数据添加噪声以实现扩散步骤,返回带噪声的数据和生成的噪声,得到样本数据;

将所述样本数据输入至结合扩散模型和自编码器的深度神经网络中,所述结合扩散模型和自编码器的深度神经网络包括编码器和解码器,所述编码器将样本数据映射到潜在空间,所述解码器将压缩后的表示还原回原始维度,得到训练基因表达特征的低维表达;

使用优化器进行反向传播,计算损失函数对结合扩散模型和自编码器的深度神经网络参数的梯度,最小化重构误差,更新编码器的参数以及解码器的参数;

根据循环次数对结合扩散模型和自编码器的深度神经网络进行训练,每个批次执行扩散步骤、前向传播、计算损失、反向传播和优化;

其中,自编码器损失为重构损失、去噪损失和正则化损失之和。

7.一种基于深度神经网络的癌症预后评估与靶点识别装置,其特征在于,所述装置包括:存储有可执行程序代码的存储器;

与所述存储器耦合的处理器;

所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1-5任一项所述的基于深度神经网络的癌症预后评估与靶点识别方法。

8.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行如权利要求1-5任一项所述的基于深度神经网络的癌症预后评估与靶点识别方法。