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！

龙图腾网获悉大连达硕信息技术有限公司申请的专利一种基于生成对抗网络的代谢组学数据批次效应校正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：CN121281627B 。

龙图腾网通过国家知识产权局官网在2026-03-31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：202511843712.4，技术领域涉及：G16B20/00；该发明授权一种基于生成对抗网络的代谢组学数据批次效应校正方法是由曾仲大;陈爱明设计研发完成，并于2025-12-09向国家知识产权局提交的专利申请。

本一种基于生成对抗网络的代谢组学数据批次效应校正方法在说明书摘要公布了：本申请提供了一种基于生成对抗网络的代谢组学数据批次效应校正方法，涉及生物信息学与分析化学交叉技术领域，所述方法包括：生成代谢组学数据训练集和代谢组学数据测试集；构建基于注意力机制的神经网络模型；构建生成对抗网络模型；根据代谢组学数据训练集构建时间序列，基于时间序列构建时间序列模型；对构建完成的神经网络模型、生成对抗网络模型及时间序列模型进行深度联合训练；获知校正后的代谢组学数据；对校正后的代谢组学数据进行质量评估。解决了因多中心实验差异与仪器性能波动等因素导致的复杂非线性批次效应难以有效消除、从而引起代谢组学数据偏差与跨批次不可比性的技术问题。

本发明授权一种基于生成对抗网络的代谢组学数据批次效应校正方法在权利要求书中公布了：1.一种基于生成对抗网络的代谢组学数据批次效应校正方法，其特征在于，所述方法包括： 收集样本，采集代谢组学数据，对代谢组学数据进行预处理，将预处理后的代谢组学数据按照批次划分，生成代谢组学数据训练集和代谢组学数据测试集，所述预处理包括数据标准化处理与缺失值处理； 构建基于注意力机制的神经网络模型，神经网络模型包含输入层、注意力机制层、隐藏层和输出层，其中，输入层用于输入代谢组学数据，注意力机制层用于获取加权特征表示，隐藏层用于非线性特征提取，输出层用于输出预测的批次效应； 构建生成对抗网络模型，生成对抗网络模型包括生成器和判别器，其中，生成器用于生成与代谢组学数据相似的补充数据，判别器用于判断输入的数据是真实的代谢组学数据还是由生成器生成的补充数据； 根据代谢组学数据训练集构建时间序列，基于时间序列构建时间序列模型； 在统一训练框架下，对构建完成的神经网络模型、生成对抗网络模型及时间序列模型进行深度联合训练，通过梯度协同更新与时间动态引导，优化模型参数，其中，优化模型参数，还包括： 将代谢组学数据训练集中的数据输入至神经网络模型，提取深层特征表示及神经网络的损失函数； 输入深层特征表示与随机噪声向量至生成对抗网络模型的生成器中，生成补充数据； 输入代谢组学数据训练集中真实的代谢组学数据和生成器生成的补充数据至判别器中进行判别，根据判别结果获得生成器和判别器的损失函数； 结合三类损失函数，通过反向传播算法分别计算梯度，并独立更新对应模型的参数，其中，反向传播算法计算梯度的基本形式为： ； 其中，表示损失函数L对模型参数w的梯度，m表示样本数量，表示损失函数对预测值的梯度，表示预测值对模型参数w的梯度； 输入代谢组学数据测试集中的数据至深度联合训练后的模型，获知校正后的代谢组学数据，其中，获知校正后的代谢组学数据，还包括： 将代谢组学数据测试集中的数据输入到深度联合训练后的神经网络模型和生成对抗网络模型中，获取批次效应和补充数据； 结合时间序列模型对批次效应进行校正，得到校正后的代谢组学数据，具体优化公式为： ； 其中，X代表原始的代谢组学数据，B代表预测的批次效应，G代表生成的补充数据，T代表时间序列模型预测的批次估计值； 采用主成分分析、聚类分析方法及统计检验方法对校正后的代谢组学数据进行质量评估。

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大连达硕信息技术有限公司，其通讯地址为：116000 辽宁省大连市高新技术产业园区礼贤街32号B座五层505室；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。