[发明专利]基于Torch监督式深度学习的基因性状识别方法有效
| 申请号： | 201610399255.9 | 申请日： | 2016-06-07 |
| 公开（公告）号： | CN106096327B | 公开（公告）日： | 2018-08-17 |
| 发明（设计）人： | 尹勰;谢清禄;余孟春 | 申请（专利权）人： | 广州麦仑信息科技有限公司 |
| 主分类号： | G06F19/12 | 分类号： | G06F19/12;G06F19/24 |
| 代理公司： | 暂无信息 | 代理人： | 暂无信息 |
| 地址： | 510665 广东省广州*** | 国省代码： | 广东;44 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明涉及生物信息技术领域，具体涉及基于Torch监督式深度学习的基因性状识别方法，它采用如下的技术方案：步骤一：基因PNG图像信息数据的预处理，以符合用于Torch深度学习模型训练的Tensor数据对象；步骤二：利用Torch构建深度学习模型，在深度卷积神经网络模型中对Tensor训练数据进行训练，得到理想的训练数据识别结果后输出标签向量和权重参数；步骤三：在模型训练成功后，可以针对结果标签的某一类别提取所有训练完成后各个连接之间的权重参数，再对基因图像数据信息进行反编码，从而得到与基因对应性状的相关SNP位点以及相应权重参数；具有能够更方便及智能的进行基因的对应性状分类，对未知性状的基因进行自我识别等优点。 | ||
| 搜索关键词： | 基于 torch 监督 深度 学习 基因 性状 识别 方法 | ||
【主权项】：
1.基于Torch监督式深度学习的基因性状识别方法，其特征在于：它采用如下的技术方案：步骤一：基因PNG图像信息数据的预处理，以符合用于Torch深度学习模型训练的Tensor数据对象；步骤二：利用Torch构建深度学习模型，在深度卷积神经网络模型中对Tensor训练数据进行训练，得到理想的训练数据识别结果后输出标签向量和权重参数；步骤三：在模型训练成功后，可以针对结果标签的某一类别提取所有训练完成后各个连接之间的权重参数，再对基因图像数据信息进行反编码，从而得到与基因对应性状的相关SNP位点以及相应权重参数，从而识别该基因信息的对应性状，发现其表现性状与该基因SNP的关联关系。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于广州麦仑信息科技有限公司，未经广州麦仑信息科技有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201610399255.9/，转载请声明来源钻瓜专利网。
- 同类专利
- 专利分类
G06 计算；推算；计数
G06F 电数字数据处理
G06F19-00 专门适用于特定应用的数字计算或数据处理的设备或方法
G06F19-10 .生物信息学，即计算分子生物学中的遗传或蛋白质相关的数据处理方法或系统
G06F19-12 ..用于系统生物学的建模或仿真，例如：概率模型或动态模型，遗传基因管理网络，蛋白质交互作用网络或新陈代谢作用网络
G06F19-14 ..用于发展或进化的，例如：进化的保存区域决定或进化树结构
G06F19-16 ..用于分子结构的，例如：结构排序，结构或功能关系，蛋白质折叠，结构域拓扑，用结构数据的药靶，涉及二维或三维结构的
G06F19-18 ..用于功能性基因组学或蛋白质组学的，例如：基因型–表型关联，不均衡连接，种群遗传学，结合位置鉴定，变异发生，基因型或染色体组的注释，蛋白质相互作用或蛋白质核酸的相互作用
G06F 电数字数据处理
G06F19-00 专门适用于特定应用的数字计算或数据处理的设备或方法
G06F19-10 .生物信息学，即计算分子生物学中的遗传或蛋白质相关的数据处理方法或系统
G06F19-12 ..用于系统生物学的建模或仿真，例如：概率模型或动态模型，遗传基因管理网络，蛋白质交互作用网络或新陈代谢作用网络
G06F19-14 ..用于发展或进化的，例如：进化的保存区域决定或进化树结构
G06F19-16 ..用于分子结构的，例如：结构排序，结构或功能关系，蛋白质折叠，结构域拓扑，用结构数据的药靶，涉及二维或三维结构的
G06F19-18 ..用于功能性基因组学或蛋白质组学的，例如：基因型–表型关联，不均衡连接，种群遗传学，结合位置鉴定，变异发生，基因型或染色体组的注释，蛋白质相互作用或蛋白质核酸的相互作用
