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！

龙图腾网获悉北京工业大学申请的专利一种基于全局交互传递性与特征融合的多层调控网络关键节点识别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：CN119741979B 。

龙图腾网通过国家知识产权局官网在2025-10-17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：202411828954.1，技术领域涉及：G16B40/30；该发明授权一种基于全局交互传递性与特征融合的多层调控网络关键节点识别方法是由张小轶;李悦;刘梦曦;赵宇设计研发完成，并于2024-12-12向国家知识产权局提交的专利申请。

本一种基于全局交互传递性与特征融合的多层调控网络关键节点识别方法在说明书摘要公布了：本发明提供了一种基于全局交互传递性与特征融合的多层调控网络关键节点识别方法，属于生物信息学及计算生物学领域，方法包括：通过构建肿瘤的lncRNA‑miRNA‑mRNA‑TFceRNA调控网络；选择经典网络拓扑属性以及生物属性表达变异系数Corr和表型相关性Coef作为节点特征；利用Bayes算法对节点特征进行融合，将每个节点所得贝叶斯值作为该节点的重要性权重，用PageRank算法在全局网络的相互作用下传递，进一步构建多种特征组合的BPR重要性指标；采用RNADisease数据库中与肿瘤相关的节点作为阳性样本验证BPR指标的预测效果；比较单特征指标、多特征指标与最优BPR指标在RF和Bayes中的预测能力；结果表明，最优BPR指标包含Degree、EPC、BottleNeck和Coef在关键节点识别中的能力最强。以肺腺癌为例，本发明成功识别了与肺腺癌进展相关的关键节点，展示了其在生物医学研究及临床应用中的潜在重要价值。

本发明授权一种基于全局交互传递性与特征融合的多层调控网络关键节点识别方法在权利要求书中公布了：1.一种基于全局交互传递性与特征融合的多层调控网络关键节点识别方法，其特征在于，包括以下步骤： 步骤1：数据下载与预处理；从TCGA数据库中下载癌症的RNA-seq，包括mRNA、lncRNA和TF，以及成熟miRNA的Isoform-Seq基因表达数据和临床样本数据，并对所有节点的表达数据进行logCPM归一化处理； 步骤2：差异分析；使用R软件包"Deseq2"对相邻正常样本和I期癌症样本之间的mRNA、miRNA和lncRNA进行差异分析，根据实验数据库Hocomocov11和AnimalTFDB整理了人类TFs，并从差异mRNA中筛选出差异TFs； 步骤3：构建miRNA-mRNA调控关系对；根据4个生物实验数据库mir2disease、miRecords、TarBase、miR2Disease和1个预测数据库StarBase，将上述数据库中获得的相互作用关系对进行交叉得到miRNA-mRNA调控对； 步骤4：构建miRNA-lncRNA调控关系对；利用生物实验数据库LncBase和预测数据库StarBase获得的相互作用关系对进行交叉得到miRNA-lncRNA调控因子对； 步骤5：构建mRNA-TF相互作用对；将生物实验数据库TRRUST和预测数据库hTFtarget这两个数据库交叉得到mRNA-TF相互作用对； 步骤6：网络可视化；利用CytoscapeV3.7.1构建四类节点的lncRNA-miRNA-mRNA-TFceRNA调控网络并将其可视化； 步骤7：网络节点的特征值计算和特征选择；选择计算网络中节点的度、边缘渗透分量、瓶颈中心性、紧密度中心性、径向度中心性、介数中心性和应力中心性等7个拓扑特征和节点的变异系数和表型相关性这2个生物特征，对上述特征进行筛选后用于后续分析； 步骤8：构建Bayes-PageRank重要性指标，即BPR；通过评分搜索算法从上述构建的lncRNA-miRNA-mRNA-TF调控网络中学习贝叶斯网络结构，将步骤8中筛选出的特征单独或随机组合放入无监督贝叶斯模型中进行参数学习，采用最大似然估计进行参数估计和变量消除算法进行推理得到节点的条件概率值，将其作为“weight”输入到PageRank算法中，从而构建具有单个特征或组合特征的各种BPR指标； Bayes算法中节点的条件概率值计算公式如下： PInf＝∏PInf|Attr 其中PInf|Attr表示表示给定某一特征时节点的条件概率值；PInf表示节点所有特征的联合概率乘积，即基因重要性值；PInf|Attr表示表示给定某一特征时节点的条件概率值； PageRank算法的计算公式如下： 其中Pitrf代表节点i的重要性，Mi代表与其他基因i相连的基因集合，Rij代表节点i和j之间的皮尔逊相关系数，degreej代表基因j的度，n代表与节点i交互的节点数，d表示节点i与其他相邻节点交互的概率，一般设为0.85； 步骤9：获得最优BPR重要性指标；通过RNADisease4.0数据库筛选与癌症相关的经实验验证的miRNA、mRNA含TF和lncRNA分子，并将这些分子标记为阳性样本，将其他分子标记为阴性样本；基于ROC曲线计算每个BPR指标的AUC值，评估步骤8中所有BPR指标对阳性样本的预测能力，比较不同指标的AUC值，并选出最优BPR指标，即BPR-best； 步骤10：评价最优BPR指标和疾病关键节点的相关性；基于最优BPR指标计算ceRNA调控网络中各节点的BPR值，分析不同BPR值范围内阳性样本所占比例，即幂律分布； 步骤11：最优BPR指标与其他单特征或多特征指标在贝叶斯模型和随机森林模型中预测能力的比较； 步骤12：关键节点筛选及文献验证；选取最优BPR指标排名前5％的节点作为关键节点，利用文献验证其与癌症发生发展的相关性。

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北京工业大学，其通讯地址为：100020 北京市朝阳区平乐园100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”。

以上内容由龙图腾AI智能生成。