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！

龙图腾网获悉长春师范大学申请的专利一种多模态图融合驱动的空间转录组区域识别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：CN121354671B 。

龙图腾网通过国家知识产权局官网在2026-03-20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：202511921021.1，技术领域涉及：G16B35/00；该发明授权一种多模态图融合驱动的空间转录组区域识别方法是由孙秋成;张志;孙明玉;王春艳;范木杰设计研发完成，并于2025-12-18向国家知识产权局提交的专利申请。

本一种多模态图融合驱动的空间转录组区域识别方法在说明书摘要公布了：一种多模态图融合驱动的空间转录组区域识别方法，属于生物医学信息学与计算生物学领域。所述方法包括如下步骤：步骤1、数据获取；步骤2：数据处理；步骤3、多模态邻接矩阵生成；步骤4、可微的多模态图结构融合；步骤5、变分图自编码器训练；步骤6、聚类。本发明通过构建基于多模态图融合与变分自编码器的空间域识别框架，显著提升了空间转录组聚类分析的准确性、连续性与生物学可解释性，有效解决了现有方法在多模态融合、图结构优化和特征判别性方面的不足，在脑科学、肿瘤微环境解析等前沿生物医学研究领域，为深入揭示组织空间异质性提供了更为可靠的计算工具。

本发明授权一种多模态图融合驱动的空间转录组区域识别方法在权利要求书中公布了：1.一种多模态图融合驱动的空间转录组区域识别方法，其特征在于所述方法包括如下步骤： 步骤1、数据获取： 从公开数据库中下载空间转录组数据； 步骤2：数据处理： 数据读取后，进行预处理操作，包括基因表达数据归一化和基因筛选； 步骤3、多模态邻接矩阵生成： 分别从空间位置、基因表达和组织学图像三个模态构建空间邻接矩阵、基因表达邻接矩阵、图像邻接矩阵、空间特征矩阵、基因表达特征矩阵和图像特征矩阵； 步骤4、可微的多模态图结构融合： 步骤4-1、将空间特征矩阵、基因表达特征矩阵、图像特征矩阵在特征维度上进行拼接，得到综合特征表达矩阵； 步骤4-2、将空间、基因表达和图像模态的邻接矩阵及其特征通过逐边多层感知机进行融合，生成多模态邻接矩阵，具体步骤如下： 邻接矩阵堆叠：将三种模态下的邻接矩阵在边维度上进行堆叠，构造出一个包含空间模态、基因表达模态和图像模态的融合边特征向量： ； 其中，表示点和点之间在基因表达模态下的关系，表示点和点之间在空间坐标模态下的关系，表示点和点之间在图像模态下的关系； MLP融合：被输入到一个逐边多层感知机中，以学习跨模态边的融合权重，输出通过Sigmoid函数压缩到[0,1]区间，得到融合边权： ； ； ； ； 其中，、表示通过LeakyReLU激活函数进行处理后的中间表示，}为待学习的参数集合，表示Sigmoid函数，为带有负斜率为0.2的激活函数，最终输出的多模态邻接矩阵为； 步骤5、变分图自编码器训练： 步骤5-1、数据准备：将多模态邻接矩阵和综合特征表达矩阵输入变分图自编码器进行训练； 步骤5-2、编码器训练：在编码器部分，首先通过图卷积层对节点特征进行处理，并利用多模态邻接矩阵传播邻域特征，得到每个节点的潜在特征；接着，编码器利用高斯分布近似潜在空间的后验分布，并计算每个节点的均值向量和标准差向量； 步骤5-3、解码器训练：解码器接收编码器输出的潜在变量，并将其映射回输入特征空间；解码器通过多层全连接层逐步扩展潜在嵌入的维度，并通过LeakyReLU激活函数增强非线性表达能力；最终，解码器将潜在特征恢复为原始输入特征； 步骤5-4、损失函数计算：为优化潜在空间和特征重构，训练过程中同时考虑两部分损失：重构损失和KL散度损失； 步骤5-5、优化过程：通过最小化重构损失与KL散度损失的加权和，优化编码器和解码器的参数，使用Adam优化器联合更新模型参数，在每一轮训练中，模型执行前向传播、计算损失并通过反向传播更新参数； 步骤6、聚类： 对潜在变量使用K-Means算法进行聚类，完成对空间转录组的空间域聚类划分。

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长春师范大学，其通讯地址为：130000 吉林省长春市长吉北路677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。