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！

龙图腾网获悉东北林业大学申请的专利基于多组学数据进行增强子启动子相互作用预测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：CN120072031B 。

龙图腾网通过国家知识产权局官网在2026-03-03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：202510020342.8，技术领域涉及：G16B15/30；该发明授权基于多组学数据进行增强子启动子相互作用预测的方法是由章天骄;邵赛红;汪国华设计研发完成，并于2025-01-07向国家知识产权局提交的专利申请。

本基于多组学数据进行增强子启动子相互作用预测的方法在说明书摘要公布了：本发明提出基于多组学数据进行增强子启动子相互作用预测的方法，属于生物信息学技术领域，解决常用技术在整合特征时对非线性考虑不周和未在多细胞系视角下对EPIs的全局分析的问题，包括：步骤1：构建深度神经网络模型；步骤2：获取多组学数据并构建多组学数据集；步骤3：对多组学数据集进行预处理；步骤4：基于预处理后的多组学数据集对深度神经网络模型进行训练；步骤5：基于训练后的深度神经网络模型进行增强子启动子相互作用预测。

本发明授权基于多组学数据进行增强子启动子相互作用预测的方法在权利要求书中公布了：1.基于多组学数据进行增强子启动子相互作用预测的方法，其特征在于，所述基于多组学数据进行增强子启动子相互作用预测的方法的步骤包括： 步骤1：构建深度神经网络模型； 步骤1中深度神经网络模型包括CNN网络、BiLSTM网络以及Kansformer编码器组成； 所述CNN网络为卷积神经网络，用于识别输入多组学数据集中的局部模式和关键信号特征； 所述BiLSTM网络为双向长短期记忆网络，用于从多组学数据集的正向和反向进行特征处理，增强对时间依赖关系的捕捉能力； 所述Kansformer编码器用于捕捉多组学数据集的长距离依赖关系； Kansformer编码器由KAN层和Transformer融合组成，包括多头自注意力层与KAN层的交替堆叠，多头自注意力层用于捕捉特征之间的关系，KAN层用于增强子启动子相互作用关系预测； 步骤2：获取多组学数据并构建多组学数据集； 步骤3：对所述多组学数据集进行预处理； 步骤4：基于预处理后的多组学数据集对深度神经网络模型进行训练； 步骤4具体包括： 步骤4.1：预处理后的多组学数据集作为输入序列，通过所述CNN网络从输入序列中提取特征； 步骤4.2：所述BiLSTM网络接收提取的特征，并通过前向和后向的LSTM网络增强提取的特征对时间依赖关系的捕捉能力，输出矩阵Z，为包含增强子和启动子位点特征的矩阵，其中R为实数域，为矩阵的行数，对应序列的数量，为矩阵的列数，对应特征的维度； 步骤4.3：将BiLSTM网络的输出矩阵Z输入Kansformer编码器中，通过多头自注意力层捕捉输出矩阵Z中特征之间的关系，得到增强后的特征； 步骤4.4：将增强后的特征输入KAN层进行特征整合，得到Kansformer编码器的输出； 步骤4.5：使用自注意力嵌入方法对进行低纬度表示学习，得到聚合后的特征H； 步骤4.6：将聚合后的特征H输入KAN分类器中，计算得到用于预测增强子-启动子相互作用概率，并预测增强子到启动子之间的距离； 步骤4.7：基于计算得到的增强子-启动子相互作用概率和增强子到启动子之间的距离构建进行EPIs预测的二元交叉熵损失函数以及对增强子启动子距离进行预测的均方误差损失函数，基于二元交叉熵损失函数和均方误差损失函数构建总损失函数； 步骤4.8：根据总损失函数对深度神经网络模型进行训练，得到训练后的深度神经网络模型； 增强子-启动子相互作用概率的计算公式为： 1； 公式1中，为sigmoid函数，为增强子启动子相互作用的概率，值的范围为0~1； 增强子到启动子之间的距离的计算公式为： 2； 二元交叉熵损失函数的表达式为： 3； 公式3中，为第i个样本真实的标签0或1，为预测的概率； 均方误差损失函数的表达式为： 4； 公式4中，为预测的增强子启动子距离，为真实的距离； 总损失函数的表达式为： 5； 公式5中，为总损失函数； 步骤5：基于训练后的深度神经网络模型进行增强子启动子相互作用预测。

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东北林业大学，其通讯地址为：150040 黑龙江省哈尔滨市香坊区和兴路26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。