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！

龙图腾网获悉安徽农业大学申请的专利一种基于异构图变换器计算疾病与RNA关联的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：CN117238366B 。

龙图腾网通过国家知识产权局官网在2026-01-06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：202311185012.1，技术领域涉及：G16B20/20；该发明授权一种基于异构图变换器计算疾病与RNA关联的方法是由王港澳;刘银博;闫晓迪;丁志杰;李俊;曾欣;祝小雷设计研发完成，并于2023-09-13向国家知识产权局提交的专利申请。

本一种基于异构图变换器计算疾病与RNA关联的方法在说明书摘要公布了：本发明公开了一种基于异构图变换器计算疾病与RNA关联的方法，涉及疾病预测技术领域，包括：S1：数据集构建；S2：多视图相似性度量模块构建；S3：自编码器模块进行构建；S4：对异构图变换器模块进行优化；S5：构建内积解码器模块；该基于异构图变换器计算疾病与RNA关联的方法，通过基于异构图转换器的计算方法VRMHMD，预测miRNA‑疾病之间的关联，VRMHMD在多模式编码的基础上增加了一个随机自动编码过程，对两组数据进行编码，并通过两个不同的多层HGT网络提取编码，来自HGT每层的输出编码被连接作为最终编码，使用注意力机制来融合这两组编码，并执行矩阵乘法解码，以预测新的miRNA疾病敏感性关联矩阵。

本发明授权一种基于异构图变换器计算疾病与RNA关联的方法在权利要求书中公布了：1.一种基于异构图变换器计算疾病与RNA关联的方法，其特征在于：包括以下步骤： S1：数据集构建：利用人类MicroRNA疾病数据库下载了miRNA与疾病的关联性数据； S2：多视图相似性度量模块构建：在miRNA和疾病之间建立网络，利用它们的相似性作为连接它们关系的基础： 1 2 其中，分别表示不同miRNA-miRNA关联网络的邻接矩阵，分别表示不同疾病－疾病关联网络的邻接矩阵， S3：自编码器模块进行构建：使用Python随机模块生成的数据代表miRNA和疾病编码的随机载体，将每一个载体输入到单独的自动编码器模型中，将随机生成的向量编码作为低维嵌入，以捕获原始数据的基本特征，嵌入过程定义如下： ,3 ，4 其中和是随机产生的载体，分别代表miRNA和疾病的相似性矩阵； S4：对异构图变换器模块进行优化： 首先，需要计算源节点d和目标节点m之间的相互注意力，用e表示边，基于注意力的图神经网络： 5 其中表示目标节点m的邻居，公式5中表示从源节点d到目标节点m的所有边，在层次图变换器HGT模型中，层由l表示，基于注意力的图神经网络依赖于三个基本的操作符：注意力机制、消息传递和聚合，注意力机制计算每个源节点相对于给定目标节点的相关性得分，消息传递从源节点提取信息，并构造捕获它们之间的关系的消息，最后，目标特定的聚合将使用注意力分数作为权重来组合相邻节点的消息，为了提高GNN的性能，需要仔细设计这些操作符，并根据特定的应用领域进行定制；与GAT相比，异构相互注意机制能够计算目标节点m与其所有邻居节点之间的相互注意的能力，这可能存在于不同的分布中，这种机制对于涉及具有异构节点和不同分布的图的任务特别有用，这种计算是基于它们的元关系，即三个方面； 提出了计算注意力得分的新机制，将目标节点转换为查询向量，将源节点转换为关键向量，为了实现参数共享和关系特定属性之间的平衡，将交互算子的权重矩阵分解为三个分量：源节点d的投影、边e的投影和目标节点m的投影，使用多头注意力来计算每条边的-head注意力得分； ,6 ,7 ,8 ,9 S41：对于第i个注意力，用线性投影将源节点d投影到第i个关键向量中，其中是d的维度，表示每个关注头的向量的维度大小，表示关注头的数量,注意线性根据源节点d的类型进行组织，确保每种类型的节点都有一个不同的线性投影，有效地捕捉分布差异，对于目标节点m，用线性投影将其投影到第i个查询向量中； S42：计算Queryvector和Keyvector之间的相似性，异构图的一个显著特征是，对于给定的一对节点类型，有多种边关系，对每种类型的的边缘矩阵使用一个单独的基于边缘的矩阵，表示每个关注头的向量的维度大小，表示关注头的数量； S43：为每个注意力头计算一个加权值，并将它们连接起来，为每对节点创建一个注意向量，然后收集来自相邻节点的所有注意向量，并应用softmax函数将它们的值归一化化为一，该过程计算如下： 10 除了计算相互注意之外，引入一种将信息从源节点传播到目标节点的附加技术，将元边关系集成到消息传递过程中，针对一对节点的多头消息计算，定义如下： ,11 ,12 13 为了检索第i个消息头，第一步是使用线性投影来获得第i个信息向量，接下来，使用矩阵合并边缘依赖性，最后收集所有的消息头来计算每对节点的消息HGT； 为了将信息从源节点d传输到目标节点m，采用一种异构多头注意的技术，在使用公式6中使用的softmax函数计算每个目标节点的注意向量之后，使用这些向量作为权重来获得来自相应源节点的消息的加权平均值，能够有效地聚合相关信息，并将目标节点跟新的向量表示为： 14 通过使用这种聚合过程，从具有不同特征分布的附近节点收集信息，并使用它来更新目标节点； 最后一步涉及将目标节点的向量映射回它的节点由节点类型索引的对应特定类型的分布，这是通过一系列步骤来实现的，包括对跟新的向量应用线性投影然后使用残差连接作为 15 在执行上述步骤之后，得到目标节点m的第个HGT层的输出，通过叠加这些块的层，HGT能够为每个节点生成高度上下统一的表示； 通过采用新的基于元关系的方法，进一步提高ML-HGT捕获复杂图信息的能力，提出的方法模型的公式如下： ,16 其中表示HGT的第层，e是边缘的特征矩阵，在源节点d上执行了与前面描述的相同的操作，将编码矩阵嵌入到HGT层次图转换器框架中，并执行了四层HGT操作来输出特征编码； S5：构建内积解码器模块：为了获得更好的结果，将每一轮HGT操作的输出编码连接起来作为最终编码； 17 R表示对应m和d节点的最终编码，通过可学习权重对最终编码进行加权获得加权后特征编码： 18 其中和分别代表最终的miRNA和疾病特征编码，通过乘法对编码矩阵进行解码，以预测新的miRNA疾病敏感性关联矩阵，最终预测得分计算公式为： 19 其中表示miRNA与疾病之间的最终预测关联矩阵， 为了优化模型，应用交叉熵损失函数来计算模型训练期间的损失：20 其中和分别代表所有miRNA和疾病对的阳性和阴性关联数据集，表示关联矩阵的真实标签，标记为1或0。

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安徽农业大学，其通讯地址为：230036 安徽省合肥市长江西路130号安徽农业大学；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。