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！

申请/专利权人：山东大学

摘要：本发明涉及生物信息学技术领域，特别是涉及农作物表型关联调控网络优化方法及系统，方法包括：基于基因调控矩阵，构建初始基因调控网络；将初始基因调控网络、基因表达量数据和农作物样本的表型数据，输入到训练后的神经网络模型中，输出基因表型关联调控网络；在训练的过程中所使用的总损失函数，是第一、第二和第三损失函数的求和结果；第一损失函数是自编码器重构邻接矩阵与自编码器输入连接矩阵之间的差异；第二损失函数是全连接神经网络预测的样本表型与真实的样本表型之间的差异；第三损失函数是使用全连接神经网络的第一层权重指导自编码器重构连接矩阵的学习，所构建的连接函数。本发明能够提高基因‑表型关联分析的准确性和泛化能力。

主权项：1.农作物表型关联调控网络优化方法，其特征是，包括：获取农作物样本的基因表达量数据、基因调控矩阵和样本的表型数据；基于基因调控矩阵，构建初始基因调控网络；将初始基因调控网络、基因表达量数据和农作物样本的表型数据，输入到训练后的神经网络模型中，输出基因表型关联调控网络；其中，训练后的神经网络模型在训练的过程中所使用的总损失函数，具体表达式为：L＝λ1L1+λ2L2+λ3L3；其中，λ1、λ2和λ3是竞争学习的自适应参数；所述第一损失函数是自编码器重构邻接矩阵与自编码器输入邻接矩阵之间的差异；所述第二损失函数是全连接神经网络预测的样本表型与真实的样本表型之间的差异；所述第三损失函数是采用正则化策略，使用全连接神经网络的第一层权重指导自编码器重构连接矩阵的学习所构建的连接函数；所述将初始基因调控网络、基因表达量数据和农作物样本的表型数据，输入到训练后的神经网络模型中，输出基因表型关联调控网络；其中，训练后的神经网络模型，包括：并列的第一分支和第二分支；所述第一分支，包括：自编码器；所述自编码器包括：依次连接的编码器和解码器；编码器的输入端用于输入初始基因调控网络，编码器的输出端输出基因的源节点嵌入向量和基因的目标节点嵌入向量；解码器的输入端用于输入基因的源节点嵌入向量和基因的目标节点嵌入向量，解码器的输出端用于输出重构的邻接矩阵；所述第二分支，包括：依次连接的注意力机制层和全连接神经网络；注意力机制层的输入端输入随机初始化的权重，注意力机制层的输出端输出权重，权重与每个样本的基因表达量数据相乘，得到每个样本的乘积，将重构的邻接矩阵和每个样本的乘积，输入到全连接神经网络中，全连接神经网络输出每个样本的表型预测结果，基于每个样本的表型预测结果，对初始基因调控网络进行优化，得到基因表型关联调控网络；所述第一损失函数，是自编码器重构邻接矩阵与自编码器输入连接矩阵之间的差异；第一损失函数L1，其表达式为：正向决策引入自编码器获得基因嵌入并优化邻接矩阵，用于计算基因嵌入的自编码器如下： 其中，ZS是基因的源节点嵌入，ZT是基因的目标节点嵌入，是添加自环的邻接矩阵，是的出度矩阵，是的入度矩阵，是可学习的权重矩阵，是可学习的权重矩阵，ReLU·＝max0，·；是标准化的矩阵，是的转置矩阵，ReLU是激活函数；X是基于网络拓扑结构和主成分分析初始化的特征矩阵；用于计算重构邻接矩阵的解码器如下： 其中，σ·是sigmoid函数；自编码器的损失函数，是：输入邻接矩阵A与重构邻接矩阵之间的二值交叉熵损失： 其中，n+和n-是正样本和负样本的数量，是重构邻接矩阵中正样本对应的概率值，是重构邻接矩阵中负样本对应的概率值；所述第二损失函数，是全连接神经网络预测的样本表型与真实的样本表型之间的差异；第二损失函数L2，其表达式为：给定注意力权重w、第i个样本的基因表达数据和已知表型pi，引入一个参数为的全连接神经网络来构建表型到基因的关联： 其中，为第i个样本的预测表型，为交叉熵损失函数；表示n维的实数向量空间，m表示样本数量，w表示注意力权重，⊙表示哈达玛积，xi表示第i个样本的基因表达数据，表示对预测表型概率取对数，表示对取对数；所述第三损失函数，是采用正则化策略，使用全连接神经网络的第一层权重指导自编码器重构连接矩阵的学习，所构建的连接函数；第三损失函数，其表达式为：采用网络正则化策略，使用参数为的全连接神经网络的第一层权重指导的学习，构建第三损失函数L3： 其中，U是的第一层权重，Ui是U的第i列，表示第j个基因对第i个基因的调控权重；m表示样本数量；Uj表示U的第j列。

全文数据：

权利要求：

百度查询： 山东大学 农作物表型关联调控网络优化方法及系统