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！

龙图腾网获悉西安电子科技大学申请的专利基于集成学习的功能性非编码区单核苷酸变异检测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：CN116758980B 。

龙图腾网通过国家知识产权局官网在2025-09-26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：202310628860.9，技术领域涉及：G16B20/20；该发明授权基于集成学习的功能性非编码区单核苷酸变异检测方法是由黄晓太;刘泽鹏设计研发完成，并于2023-05-30向国家知识产权局提交的专利申请。

本基于集成学习的功能性非编码区单核苷酸变异检测方法在说明书摘要公布了：本发明提出了一种基于集成学习的功能性非编码区单核苷酸变异检测方法，主要解决现有技术中存在的预测准确率较低的技术问题，包括如下步骤：1获取功能性非编码区单核苷酸变异数据，并构建训练样本集和测试样本集；2构建功能性非编码区单核苷酸变异预测模型；3对功能性非编码区单核苷酸变异预测模型进行训练；4获取功能性非编码区单核苷酸变异的检测结果。本发明实验流程简单，检测准确度高，可应用于检测功能性非编码区单核苷酸变异。

本发明授权基于集成学习的功能性非编码区单核苷酸变异检测方法在权利要求书中公布了：1.一种基于集成学习的功能性非编码区单核苷酸变异检测方法，其特征在于，包括如下步骤： 1构建训练样本集和测试样本集： 获取N个非编码区单核苷酸变异ncSNV数据Dori及每个非编码区单核苷酸变异ncSNV数据的标签Tagn，并对每个非编码区单核苷酸变异ncSNV数据中的注释特征进行归一化，然后将归一化后的Z个非编码区单核苷酸变异ncSNV数据及其对应的标签组成训练样本集Dt，将剩余的T个归一化后的非编码区单核苷酸变异ncSNV数据及其对应的标签组成测试样本集Dte，其中，N≥1000，T＝N-Z， 2构建功能性ncSNV预测模型： 构建包括顺次连接的抽样模块、基学习器模块和元学习器逻辑回归模型的功能性ncSNV预测模型O，其中基学习器模块包括并行排布的随机森林模型、决策树模型和支持向量机模型； 3对功能性ncSNV预测模型进行训练： 3a初始化迭代次数j，最大迭代次数为J，当前元学习器逻辑回归模型LRj的权值参数为并令j＝0； 3b将训练样本集Dt作为功能性ncSNV预测模型O的输入，抽样模块采用Bootstrap抽样方法对Dt进行R次的有回放的抽样，生成训练子集Dtrain及其对应的训练子标签集Tagtrain，和验证子集Dval及其对应的验证子标签集Tagval，其中Dtrain_r＝{dtrain_r_h|1≤h≤H}，Dval_r＝{dtrain_r_u|1≤u≤U}，U＝Z-H，1≤r≤R； 3c基学习器模块中并行排布的三个模型分别对训练子集Dtrain中的每个训练样本进行学习后，对验证子集Dval中的每个验证样本进行预测，得到预测结果Pv1、Pv2和Pv3； 3d通过预测结果Pv1、Pv2和Pv3及其对应的AUROC值V1、V2和V3计算Pv1、Pv2和Pv3的加权值Pv1w、Pv2w和Pv3w，并对Pv1w、Pv2w和Pv3w进行纵向拼接，得到元学习器训练集Dmt； 3e元学习器逻辑回归模型LRj对元学习器训练集Dmt进行逻辑回归，得到元学习器训练集Dmt的预测值 3f采用交叉熵损失函数L，并通过和验证子标签集Tagval计算第j次迭代的模型LRj的用交叉熵损失函数Lj，然后采用反向传播方法，并通过Lj计算LRj的参数梯度最后采用梯度下降算法通过对LRj的权值参数进行更新，得到本次迭代的Oj，其中交叉熵损失函数 3g判断j≥J是否成立，若是，得到训练好的功能性ncSNV预测模型O*，否则，令j＝j+1，Oj＝O，并执行步骤3f； 4获取功能性ncSNV的检测结果： 4a将测试样本集Dte作为功能性ncSNV预测模型O*的输入，基学习器模块对每个测试样本进行预测，得到Dte的预测结果Pt，通过预测结果Pt1、Pt2和Pt3及基学习器模块对验证子集Dval的AUROC值V1、V2和V3计算Pv1、Pv2和Pv3的加权值Pv1w、Pv2w和Pv3w，将Pv1w、Pv2w和Pv3w相加并取均值，得到元学习器测试集Dmte； 4b元学习器逻辑回归模型LR*对元学习器测试集Dmte进行逻辑回归，得到训练好的功能性ncSNV预测模型O*对测试样本集Dte的预测值

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 陕西省西安市雁塔区太白南路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”。