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！

龙图腾网获悉常州大学申请的专利基于跨模态和图卷积的miRNA和疾病预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：CN117316268B 。

龙图腾网通过国家知识产权局官网在2025-11-25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：202311079149.9，技术领域涉及：G16B20/00；该发明授权基于跨模态和图卷积的miRNA和疾病预测方法是由侯振杰;陈严;姚海滨;李涵设计研发完成，并于2023-08-25向国家知识产权局提交的专利申请。

本基于跨模态和图卷积的miRNA和疾病预测方法在说明书摘要公布了：本发明涉及图像技术领域，尤其涉及基于跨模态和图卷积的miRNA和疾病预测方法，包括利用跨模态数据填补算法得到填补关联矩阵；构成miRNA集成相似性和疾病集成相似性；利用miRNA集成相似性、填补关联矩阵、疾病集成相似性构建异构网络图G和特征矩阵H0作为图卷积神经网络输入；根据三个节点嵌入门之间的余弦相似性与相似性阈值ST比较，判断门输出集成卷积层或单层卷积层；利用双线性解码器得到miRNA‑疾病得分矩阵；采用加权交叉熵损失函数对CIGGNET模型进行训练。本发明解决现有的生物信息预测模型使用矩阵分解的方法去对关联矩阵进行处理时无法对关联矩阵做填补以及对关联数据的未知信息利用不完善的问题。

本发明授权基于跨模态和图卷积的miRNA和疾病预测方法在权利要求书中公布了：1.基于跨模态和图卷积的miRNA和疾病预测方法，其特征在于，包括以下步骤： 步骤一、构建miRNA与疾病关联矩阵，利用跨模态数据填补算法得到填补关联矩阵； 步骤一具体包括： 步骤11、将关联矩阵灰度化处理转为一阶张量，并根据一阶张量折叠为三阶张量； 步骤12、设跨模态数据填补目标函数，设置初始估计张量，满足： 其中，对应元素的索引集合为； 跨模态数据填补目标函数的公式为： 其中，为中间张量，为中间张量在模态1下的展开；为的模态2展开，为的模态3展开；、、为权值系数； 步骤13、设置额外变量，q=1,2,3； 步骤14、设跨模态数据填补约束条件，根据最大迭代次数更新中间张量、估计张量和额外变量； ； ； ； 其中，为迭代参数，为矩阵还原成张量函数，元素0和1构成的三阶张量，为关联矩阵A的三阶稀疏张量，为的估计张量，为额外张量在模态q下的展开，为奇异值分解函数，为第个中间张量； 跨模态数据填补约束条件的公式为： 其中，元素0和1构成的三阶张量，为关联矩阵A的三阶稀疏张量，为的估计张量，为第个中间张量； 步骤15、得到填补三阶估计张量，将展开得到填补一阶张量图像，并转为填补关联矩阵； 步骤二、利用miRNA相似性和疾病相似性分别构成miRNA集成相似性和疾病集成相似性； 步骤三、利用miRNA集成相似性、填补关联矩阵、疾病集成相似性构建异构网络图G和特征矩阵，并将异构网络图G和特征矩阵作为图卷积神经网络输入； 步骤三具体包括： 步骤31、构建异构网络，，为miRNA标准化矩阵，为疾病标准化矩阵； 步骤32、使用双随机游走算法分别对miRNA集成相似性和疾病集成相似性网络做随机游走，得到初始关联分数；根据初始关联分数、标准化矩阵计算疾病特征矩阵网络和miRNA特征矩阵网络上随机游走的概率；特征矩阵网络随机游走的概率公式为： ； ； 其中，为随机游走的衰减因子，、分别为miRNA、疾病标准化矩阵，为疾病-miRNA的关联概率，、分别为miRNA、疾病初始关联分数； 步骤四、将GCN第1-3层节点的嵌入H1-H3输入到控制门；根据三个节点嵌入门之间的余弦相似性与相似性阈值ST比较，判断门输出集成卷积层或单层卷积层；利用双线性解码器得到miRNA-疾病得分矩阵，得到CIGGNET模型； 判断门输出集成卷积层或单层卷积层的条件为：如果三个节点嵌入门之间余弦相似性大于给定相似性阈值ST，判断门输出某单层卷积层；相反，如果三层卷积之间相似性小于给定相似性阈值ST，判断门输出集成卷积层； 判断门输出集成卷积层或单层卷积层的公式为： ； 其中，，是miRNA的嵌入矩阵，疾病的嵌入矩阵，表示三层GCN节点嵌入的权重，表示三层GCN节点嵌入； 步骤五、采用加权交叉熵损失函数对CIGGNET模型进行训练。

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常州大学，其通讯地址为：213164 江苏省常州市武进区湖塘镇滆湖中路21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。