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！

龙图腾网获悉广东工业大学申请的专利基于拉曼光谱和CNN-LSTM网络回归模型集成的iPSC多能性的回归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：CN120705831B 。

龙图腾网通过国家知识产权局官网在2025-12-12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：202510796020.2，技术领域涉及：G06F18/27；该发明授权基于拉曼光谱和CNN-LSTM网络回归模型集成的iPSC多能性的回归预测方法是由张伟娜;龙书怡;万鉴辉;朱韦乐;钟丽云设计研发完成，并于2025-06-16向国家知识产权局提交的专利申请。

本基于拉曼光谱和CNN-LSTM网络回归模型集成的iPSC多能性的回归预测方法在说明书摘要公布了：本发明属于干细胞识别技术领域，具体涉及基于拉曼光谱和CNN‑LSTM网络回归模型集成的iPSC多能性的回归预测方法，包括如下步骤：数据集获取，在培养基中培养iPSC，利用拉曼光谱仪采集iPSC在培养过程中的拉曼光谱，每个时段采集多个细胞的拉曼光谱，并按时段进行分组；对采集的拉曼光谱进行预处理；构建并划分数据集，按照时间顺序将细胞样品的拉曼光谱划分为六类，构建并随机划分数据集；训练并测试CNN‑LSTM模型，评估iPSC的多能性；通过回归方法，对干细胞的离散多能状态和过渡能力梯度进行准确的量化评估。

本发明授权基于拉曼光谱和CNN-LSTM网络回归模型集成的iPSC多能性的回归预测方法在权利要求书中公布了：1.基于拉曼光谱和CNN-LSTM网络回归模型集成的iPSC多能性的回归预测方法，其特征在于：包括以下步骤： 步骤1：获取数据集，在培养基中培养iPSC，利用拉曼光谱仪采集iPSC在培养过程中的拉曼光谱；采集过程分为多个时段，每个时段采集多个细胞的光谱数据； 步骤2：数据预处理，对拉曼光谱数据进行去基线、去除宇宙射线、降噪和归一化处理； 步骤3：构建并划分数据集，在一个时间段内，按照时间顺序将细胞样品的拉曼光谱划分为6个阶段，每个阶段的光谱数据作为一类，共六类光谱数据集，将处理后的光谱数据随机划分为训练集、验证集和测试集； 步骤4：构建CNN-LSTM网络回归模型，并训练，所述CNN-LSTM网络回归模型由CNN和LSTM两部分组成；CNN层用于提取拉曼指纹的关键光谱特征，LSTM层学习时间序列的长期依赖关系，将拉曼光谱的空间特征和时间序列依赖性结合起来，识别不同时间段的光谱； 所述步骤4中，具体的：所述CNN-LSTM网络回归模型由卷积神经网络和长短期记忆网络组成；将预处理后的拉曼光谱数据作为输入，通过免疫荧光染色技术检测干细胞标志物SOX2和OCT4的不同时间点荧光强度值作为真值输出，通过CNN提取光谱数据的局部特征，输入数据维度为光谱长度，经过卷积核大小为12、14、16和16的四层卷积，输出维度依次为16、32、64和128，每层后均使用批归一化和ReLU激活函数以增强非线性表达能力，并通过最大池化层逐步减少数据维度，卷积层的输出被展平并通过一个双向LSTM层；LSTM层则将128维特征序列进行时间序列建模，经过四层双向LSTM捕捉时间序列依赖性；正向LSTM从序列的开始到结束进行信息传递，捕捉序列的过去信息，反向LSTM从序列的结束到开始进行信息传递，捕捉序列的未来信息；隐藏单元数为128，输出维度为256，将正向和反向LSTM的输出进行合并，得到最终的输出；LSTM的输出经过Dropout层，防止过拟合，随后通过全连接层将特征映射到6个时间点的回归值，对应两种标志物SOX2和OCT4的多能性评分，实现干细胞多能性评估； 步骤5：以训练所得的CNN-LSTM网络回归模型评估iPSC的多能性，将步骤3划分的预先保留的未参与网络训练的测试集直接输入到训练好的模型中，测试集不参与训练或超参数调优，用于最终模型性能评估；网络评估干细胞的多能性，将多能状态量化为连续值，通过回归模型预测每个状态的具体数值。

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广东工业大学，其通讯地址为：510006 广东省广州市番禺区广州大学城外环西路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。