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！

龙图腾网获悉郑州大学申请的专利一种基于小样本学习预测蛋白质乳酸化修饰位点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：CN116631506B 。

龙图腾网通过国家知识产权局官网在2026-03-10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：202310564720.X，技术领域涉及：G16B20/30；该发明授权一种基于小样本学习预测蛋白质乳酸化修饰位点的方法是由郭亚萍;吴宾;黎丝雨;史云舒;蒋沛然设计研发完成，并于2023-05-19向国家知识产权局提交的专利申请。

本一种基于小样本学习预测蛋白质乳酸化修饰位点的方法在说明书摘要公布了：本发明公开一种基于小样本学习的预测蛋白质乳酸化修饰位点的方法，该方法包括：收集独立的乳酸化修饰位点数据，整合多特征编码的乳酸化修饰位点，采用基于小样本学习策略进行模型训练，并设计多特征混合系统协同预测乳酸化修饰位点。本发明构建乳酸化修饰位点的阳性和阴性数据集，利用多种类型的序列和结构特征进行分组特征编码；分别采用基于SMOTE算法和随机欠采样RUS算法，实现阳性数据增强和阴性数据减弱，并利用深度神经网络分别对阳性和阴性数据的特征即数字向量构建预测模型，得到多个预测模型；以每个预测模型的预测结果集成新的特征，并采用惩罚逻辑回归构建最终模型。本发明可以较大程度上克服乳酸化修饰位点数据极端不平衡和训练模型过度拟合，可以快速且大规模地鉴定乳酸化位点。

本发明授权一种基于小样本学习预测蛋白质乳酸化修饰位点的方法在权利要求书中公布了：1.一种基于小样本学习方法预测蛋白质乳酸化修饰位点的方法，其特征在于，1同时考虑乳酸化修饰的序列特征和结构特征的影响，采用多特征分组的编码方法对乳酸化修饰位点进行编码；2因考虑到目前已鉴定的乳酸化修饰位点数量有限，针对阳性和阴性数据集极度不平衡问题，本发明提出一种基于小样本学习策略开发乳酸化修饰位点预测模型，引入集成学习实现多特征混合系统的构建，得到最终模型，使得本发明所公开的方法可以大规模预测乳酸化修饰位点；所述方法包括以下步骤：1收集乳酸化修饰位点信息：首先收集蛋白质乳酸化修饰位点信息，将所述乳酸化修饰位点作为阳性位点，将该乳酸化修饰蛋白质上与所述阳性位点相同氨基酸的其它位点作为阴性位点，将蛋白质的一级序列切割成以阳性位点或阴性位点为中心，上游和下游分别为n个氨基酸，总长度为2n+1个氨基酸序列，其中n大于等于1，所有含有乳酸化修饰位点的氨基酸序列构成原始阳性数据集，所有含有所述阴性位点的非乳酸化修饰位点的氨基酸序列构成原始阴性数据集；2采用多特征分组的编码方案：采用了两组特征，包括基于氨基酸序列特征的特征集1以及结构特征的特征集2，逐个对步骤1所述总长度为2n+1个氨基酸的序列进行特征编码，得到数字向量特征；3小样本学习策略处理数据：分别采用基于SMOTE算法和随机欠抽样RUS算法，实现原始阳性数据增强和原始阴性数据减弱，对于特征集1，采用SMOTE合成新样本，对于少数类别样本，SMOTE使用其k个近邻方法并计算与距离最近的k个小样本数据，该距离被定义为样本之间欧几里得距离的n维特征空间，从k个近邻中随机选择一个样本，使用公式生成新样本，其中是选定的邻近样本，δ是介于0和1之间的随机数，对于特征集2，引入基本随机欠抽样RUS算法，以减少不平衡，同时保持具有乳酸化修饰位点的蛋白质或肽段，从而减少多数类别样本的数量；4构建与集成预测模型：利用深度神经网络分别对经步骤3处理后的阳性和阴性数据集的特征来构建预测模型，得到多个预测模型，再将这些多特征预测模型的输出结果引入集成学习实现多特征混合系统的构建，将每个特征预测模型输出结果集成新的输入特征，并利用惩罚逻辑回归进一步训练一个新的预测模型，该最终模型用于预测乳酸化修饰位点。

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郑州大学，其通讯地址为：450000 河南省郑州市高新技术开发区科学大道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。