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！

龙图腾网恭喜西安理工大学申请的专利基于图神经网络的外泌体相关piRNA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：CN116994655B 。

龙图腾网通过国家知识产权局官网在2025-04-04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：202310988820.5，技术领域涉及：G16B30/10；该发明授权基于图神经网络的外泌体相关piRNA识别方法是由刘雅君;李爱民;费蓉;黑新宏设计研发完成，并于2023-08-07向国家知识产权局提交的专利申请。

本基于图神经网络的外泌体相关piRNA识别方法在说明书摘要公布了：本发明公开了一种基于图神经网络的外泌体相关piRNA识别方法。该识别方法具体包括：步骤S1，构建外泌体piRNA识别基准数据集；步骤S2，使用两步的正未学习方法，从未标记数据集中选取与正集数量一致的piRNA序列作为可靠负集样本；步骤S3，基于序列信息，进行图形构建；步骤S4，通过从大量的piRNA序列数据在k‑mer片段序列的预训练模型中，构建一个嵌入空间使得生物意义上相似的k‑mer序列在该空间内距离更近；步骤S5，根据步骤4获得k‑mer序列的词向量表示，使用改进的图卷积神经网络作为分类模型进行分类模型的构建；步骤S6，对于步骤5获得的分类分数进行序列数据的判定，概率较大的分类作为当前piRNA是否与外泌体相关的最终结果。本发明可用于鉴定外泌体相关的piRNA。

本发明授权基于图神经网络的外泌体相关piRNA识别方法在权利要求书中公布了：1.基于图神经网络的外泌体相关piRNA识别方法，其特征在于，包括以下步骤：步骤S1，构建外泌体piRNA识别基准数据集；步骤S2，使用两步的正未学习方法，从未标记数据集中选取与正集数量一致的piRNA序列作为可靠负集样本；步骤S3，基于序列信息，进行图形构建；所述步骤S3具体包括：S31：对基准数据集的piRNA序列，通过滑窗进行k-mer序列的提取，其中，k＝3；对于长度为n的给定序列S＝S1，S2，...，Sn，将S转换为个k-mer序列片段，其中Si∈{A，G，C，T，N}，序列为cDNA形式： S32：根据步骤S31所获得的所有的k-mer序列片段，对中间碱基替换为通配符；S33：使用k-mer序列片段和带通配符的k-mer序列片段构建图形表示，其中图形的点对应k-mer序列片段和带通配符的k-mer序列片段，边对应k-mer序列片段的链接，带通配符的k-mer序列片段与其中间碱基可能替换的k-mer序列片段连接；步骤S4，通过从大量的piRNA序列数据在k-mer片段序列的预训练模型中，以无监督的方式学习其生物意义知识，从而构建一个嵌入空间使得生物意义上相似的k-mer序列在该空间内距离更近；所述步骤S4具体包括：S41：为了获得k-mer序列的分布式表示，首先从piRBase数据库收集的所有piRNA序列进行k-mer序列提取；S42：通过Skip-gram模型对上下文序列和目标k-mer序列之间的关系进行建模；S43：参考Word2Vec，通过这样无监督的大规模语料学习最大化下述函数以获取k-mer序列的分布式表示： 其中，N是训练序列的长度，2c是窗口大小，wi是窗口的中心，W是k-mer个数，vw特定k-mer序列w的输入，v'w是特定k-mer序列w的输出；概率pwi+j|wi使用softmax函数形式；步骤S5，根据步骤4获得k-mer序列的词向量表示，使用改进的图卷积神经网络作为分类模型进行分类模型的构建；所述步骤S5具体包括：S51：根据步骤4获得k-mer序列的词向量表示，含通配位的k-mer序列的词向量是由相关k-mer的和来表示；S52：使用改进的图卷积神经网络作为分类模型，模型分为图卷积模块、卷积模块和全连接网络模块；S53：使用两个图卷积层，均应用GraphSAGE方法对邻居节点采样，结合节点自身词向量进行平均聚合，计算如下：h′v＝σBhv+W·mean{h|u∈Nv}公式5其中hv是顶点v的特征，Nv是图中顶点v的邻接点集合，σ是非线性激活函数，W和B是待学习的矩阵；S54：卷积模块使用一维卷积对图卷积层的输出降维；S55：网络末尾使用全连接层，将降维后特征综合起来，可以采用softmax逻辑回归进行分类；步骤S6，对于步骤5获得的分类分数进行序列数据的判定，概率较大的分类作为当前piRNA是否与外泌体相关的最终结果。

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西安理工大学，其通讯地址为：710048 陕西省西安市碑林区金花南路5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”。