成都信息工程大学张永清获国家专利权
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!
龙图腾网获悉成都信息工程大学申请的专利一种基于分布和表达感知回访的单细胞增量注释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:CN120581072B 。
龙图腾网通过国家知识产权局官网在2025-12-02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:202510688542.0,技术领域涉及:G16B40/20;该发明授权一种基于分布和表达感知回访的单细胞增量注释方法是由张永清;李天豪;邹权;王紫轩;吴晨芃;黄铮骁;吴锡;周激流设计研发完成,并于2025-05-27向国家知识产权局提交的专利申请。
本一种基于分布和表达感知回访的单细胞增量注释方法在说明书摘要公布了:本发明公开了一种基于分布和表达感知回访的单细胞增量注释方法,属于单细胞类型注释的技术领域;包括:将待处理的单细胞表达谱样本输入至基于分布感知条件的扩散模型中,生成曾参与扩散模型训练的旧细胞样本的基因表达谱数据;将旧细胞样本的基因表达谱数据与采集的新细胞样本的基因表达谱数据进行整合;将整合的数据分别输入至表达感知的知识蒸馏模型中的两个不同特征提取器中,以进行多视角的基因表达对齐,并输出对应的细胞类型注释结果。本发明可有效解决长尾分布且高维稀疏的单细胞数据在增量注释中的核心难题,能够高效实现数据重放与持续学习,从而显著提升增量注释的性能与鲁棒性。
本发明授权一种基于分布和表达感知回访的单细胞增量注释方法在权利要求书中公布了:1.一种基于分布和表达感知回访的单细胞增量注释方法,其特征在于,包括以下步骤: S1、将待处理的单细胞表达谱样本输入至基于分布感知条件的扩散模型中,生成曾参与扩散模型训练的旧细胞样本的基因表达谱数据; S1具体包括以下分步骤: S11、将待处理的单细胞表达谱样本表示为矩阵形式的真实表达谱; S12、将真实表达谱作为输入,将其输入至稀疏特征提取模块中,提取用于描述关键基因表达区域的稀疏掩码; S13、基于扩散模型的条件概率分布,对真实表达谱进行加噪操作; S14、将加噪操作结果作为输入,并重复执行S12~S13,直至提取得到最终的稀疏掩码和对应于最终加噪操作结果的噪声表达谱; S15、将噪声表达谱作为扩散反演的起始输入,并通过多步反向去噪操作,逐步恢复得到生成表达谱; S2、将旧细胞样本的基因表达谱数据与采集的新细胞样本的基因表达谱数据进行整合; S3、将整合的数据分别输入至表达感知的知识蒸馏模型中的两个不同特征提取器中,以进行多视角的基因表达对齐,并输出对应的细胞类型注释结果; S3具体包括以下分步骤: S31、将整合后的数据复制为两份,并分别记为基础类数据与新类数据; S32、将基础类数据输入知识蒸馏模型中的基础类特征提取器中,将新类数据输入至知识蒸馏模型中的新类特征提取器中,并分别输出基础类高级特征和新类高级特征;同时,从基础类特征提取器和新类特征提取器中的多尺度注意力模块中分别提取得到多个层级的基础类注意力图和多个层级的新类注意力图; S33、采用最小化注意力对齐损失,对基础类注意力图和多个层级的新类注意力图之间的对应注意力分布进行对齐; S34、采用最小化表征对齐损失,对基础类高级特征和新类高级特征进行特征空间中的结构对齐; S35、将满足最小化表征对齐损失的基础类高级特征输入至基础注释器中,得到对应的基础注释预测;将新类高级特征输入至新类注释器中,得到新类注释预测; S36、采用类别预测一致性损失,对基础注释预测和新类注释预测的注释分布进行对齐; 所述S33中,最小化注意力对齐损失表示为: 所述S34中,最小化表征对齐损失表示为: 所述S36中,类别预测一致性损失表示为: 基于最小化注意力对齐损失、最小化表征对齐损失和类别预测一致性损失,进行多视角的基因表达回访对齐: 式中,为注意力图矩阵的维度;为基础类特征提取器输出的注意力图矩阵;为新类特征提取器输出的注意力图矩阵;为经过基础类特征提取器输出的特征矩阵;为经过新类特征提取器输出的特征矩阵;为经过基础类注释器输出的logits;为经过新类注释器输出的logits;,,表示调控特征与基因图的对齐权重;表示多视角的基因表达回访对齐损失函数; 在所述基础类特征提取器中引入模糊引导约束,以抑制基础类特征提取器在未见细胞类型上的虚假回忆,同时引导新类特征提取器增强对新类型的适应性; 其中,模糊引导约束表示为: 式中,表示模糊引导损失函数;为增量样本集合的基数;和为权重参数;为预设的最小虚假回忆阈值;为Sigmoid激活函数;代表第个样本的预测logit。
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成都信息工程大学,其通讯地址为:610225 四川省成都市西南航空港经济开发区学府路1段24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。
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。

皖公网安备 34010402703815号
请提出您的宝贵建议,有机会获取IP积分或其他奖励