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！

龙图腾网获悉哈尔滨工业大学申请的专利一种基于深度迁移学习的癌症药物响应预测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：CN118888007B 。

龙图腾网通过国家知识产权局官网在2025-11-21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：202410904012.0，技术领域涉及：G16B40/00；该发明授权一种基于深度迁移学习的癌症药物响应预测方法是由徐德晨;李杰设计研发完成，并于2024-07-08向国家知识产权局提交的专利申请。

本一种基于深度迁移学习的癌症药物响应预测方法在说明书摘要公布了：本发明提出了一种基于深度迁移学习的癌症药物响应预测方法，属于癌症诊断技术领域。首先根据细胞系和单细胞的基因表达谱，筛选出响应细胞与不响应细胞之间的差异基因，降低深度学习模型的输入特征的规模；接着使用自编码器作为特征提取器，进一步学习细胞系和单细胞表达矩阵的低维表示；然后构建细胞系与单细胞的异构图，利用多头图注意力网络进行样本间的语义传播，更好地实现迁移学习；最后使用多层感知机作为预测器，输出细胞的药物响应预测结果；本发明可以应用于癌症诊断、治疗和个体化药物治疗等领域，为临床上选择更有效的治疗方案提供参考。

本发明授权一种基于深度迁移学习的癌症药物响应预测方法在权利要求书中公布了：1.一种基于深度迁移学习的癌症药物响应预测方法，其特征在于： 所述方法具体包括以下步骤： 步骤1，进行基因筛选；根据细胞系和单细胞的基因表达谱，筛选出响应细胞与不响应细胞之间的差异基因； 步骤2，对步骤1筛选后的基因进行特征提取；使用自编码器作为特征提取器，学习细胞系和单细胞表达矩阵的低维表示； 步骤3，在步骤2低维特征的基础上，构建细胞系与单细胞的异构图，利用多头图注意力网络进行样本间的语义传播； 步骤4，经过步骤2的特征提取和步骤3的语义传播后，使用多层感知机作为预测器，输出细胞的药物响应预测结果； 使用全连接的多层感知机MLP作为预测器，用来估计细胞的药物响应情况，表示如下： 其中，表示细胞系与单细胞共享的预测器，包含3个隐藏层；表示细胞系和单细胞经过多头图注意力网络学习到的嵌入表示；利用真实的与预测的细胞系药物响应标签之间的分类损失即交叉熵，来优化预测器的参数，损失函数表示为： 其中，表示细胞系的真实药物响应标签，表示预测器输出的细胞系的预测结果，表示细胞系样本的集合，表示细胞系的真实标签，表示细胞系的预测值； 步骤5，在步骤2、3、4的基础上设计多个不同层次的域鉴别器，在不同层次上对齐细胞系与单细胞的特征分布； 在模型中额外设计了3个不同层次的域鉴别器；第一个域鉴别器设置在特征提取器之后，用来区分编码器学习到的低维表示是来自细胞系还是单细胞；而编码器和需要欺骗域鉴别器，使其无法有效地做出判断；域鉴别器的损失采用交叉熵来计算： 其中，表示第一个域鉴别器，由4个全连接的线性层组成；表示单细胞样本的集合，表示编码器输出的细胞系的低维表示，表示编码器输出的单细胞的低维表示； 第二个域鉴别器设置在多头图注意力网络之后，用来判别语义传播之后的特征表示是属于细胞系还是单细胞；域鉴别器通过区分细胞系和单细胞的数据特征，指导图注意力网络在实现语义传播的同时，学习到一致的跨域特征表示；第二个域鉴别器的损失函数表示为： 其中，表示第二个域鉴别器，由3个全连接的线性层组成； 第三个域鉴别器设置在特征提取器与多头图注意力网络之间，用来判断特征提取器的输出与多头图注意力网络的输出是否属于同一类；通过这种方式，进一步将细胞系和单细胞的特征分布对齐到从图注意力网络中学习到的统一分布；第三个域鉴别器的损失函数表示为： 其中，表示第三个域鉴别器，它先使用一个线性层将特征提取器的输出降至与图注意力网络的输出相同的维度，再通过4个全连接的线性层得到判别结果； 步骤6，利用细胞系的真实标签和单细胞的伪标签，通过对齐同类细胞的质心来监督整个模型的更新； 经过模型的学习之后，属于不同域的同类细胞的质心是接近的，因此损失函数定义为： 其中，表示预测器输出的单细胞的预测结果，即伪标签，表示计算欧式距离的函数，分别表示敏感和耐药细胞系的质心，和分别表示伪标签为敏感和耐药的单细胞的质心； 步骤7，完成步骤1至步骤6的训练后，输入新单细胞数据，进行药物响应预测。

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哈尔滨工业大学，其通讯地址为：150001 黑龙江省哈尔滨市南岗区西大直街92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。