買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉吉林大學申請的專利一種基于生成對抗網(wǎng)絡的蛋白質(zhì)翻譯后修飾數(shù)據(jù)增強方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN120412756B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-08-29發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202510920403.6，技術(shù)領(lǐng)域涉及：G16B40/00；該發(fā)明授權(quán)一種基于生成對抗網(wǎng)絡的蛋白質(zhì)翻譯后修飾數(shù)據(jù)增強方法是由周豐豐;徐藝萍;李柯薇;范雨思;王月英;王楚越設(shè)計研發(fā)完成，并于2025-07-04向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種基于生成對抗網(wǎng)絡的蛋白質(zhì)翻譯后修飾數(shù)據(jù)增強方法在說明書摘要公布了：本發(fā)明適用于蛋白質(zhì)組學技術(shù)領(lǐng)域，提供了一種基于生成對抗網(wǎng)絡的蛋白質(zhì)翻譯后修飾數(shù)據(jù)增強方法。本發(fā)明可有效緩解類別不平衡、增強陽性樣本識別能力，通過改進型聚類增強條件生成對抗網(wǎng)絡（RP?CGAN）生成少數(shù)類偽樣本，結(jié)合ESM?2預訓練蛋白質(zhì)語言模型提取特征，提升陽性樣本識別能力與泛化能力；融合ESM?2特征提取與RP?CGAN數(shù)據(jù)增強技術(shù)，提升整體預測性能與分類穩(wěn)定性，多分類器關(guān)鍵指標顯著提升；經(jīng)多維指標篩選與自適應調(diào)控，確保增強數(shù)據(jù)與真實分布相近；借助輕量化架構(gòu)與收斂策略，優(yōu)化訓練效率與模型穩(wěn)定性；具備強穩(wěn)定性與跨領(lǐng)域潛力，可遷移至其他蛋白質(zhì)修飾預測任務，并具備跨領(lǐng)域不平衡分類場景中的應用潛力。

本發(fā)明授權(quán)一種基于生成對抗網(wǎng)絡的蛋白質(zhì)翻譯后修飾數(shù)據(jù)增強方法在權(quán)利要求書中公布了：1.一種基于生成對抗網(wǎng)絡的蛋白質(zhì)翻譯后修飾數(shù)據(jù)增強方法，其特征在于，包括以下步驟： 步驟S1：數(shù)據(jù)預處理與特征提取； 讀取蛋白質(zhì)序列文件，劃分訓練集與測試集，采用ESM-2預訓練蛋白質(zhì)語言模型進行特征編碼，生成標準化特征向量； 步驟S2：聚類增強型條件生成對抗網(wǎng)絡的樣本增強； 構(gòu)建由生成器和判別器組成的RP-CGAN模型；生成器輸入包含隨機噪聲向量、目標類別標簽及通過K均值聚類生成的類別中心向量，輸出目標類別偽樣本；判別器采用雙輸出結(jié)構(gòu)，分別判斷樣本真實性與類別標簽，結(jié)合Softplus相對對抗損失、二分類交叉熵損失及梯度正則項優(yōu)化訓練穩(wěn)定性； 步驟S3：偽樣本篩選； 應用訓練完成的RP-CGAN模型生成超出目標數(shù)量的偽樣本，通過多指標約束的篩選機制，選擇與真實樣本分布最接近的偽樣本； 步驟S4：分類器訓練與評估； 將真實訓練數(shù)據(jù)與篩選后的偽樣本合并，輸入分類器進行訓練，優(yōu)化分類性能； 步驟S5：預測輸出； 使用訓練好的分類器對新蛋白質(zhì)序列進行預測，輸出修飾位點概率得分； 所述RP-CGAN模型的生成器設(shè)計包括： 輸入條件為隨機噪聲向量z～N0,1、類別標簽yc∈{0,1+及通過K均值聚類獲取的類別中心向量通過聯(lián)合輸入拼接機制生成近似于真實分布的樣本 所述類別中心向量的生成步驟包括： 對少數(shù)類和多數(shù)類樣本分別進行K均值聚類，通過DBI指標確定最優(yōu)聚類簇數(shù)；提取少數(shù)類與多數(shù)類的最優(yōu)聚類中心作為生成器的先驗條件輸入； 所述偽樣本篩選步驟包括： 通過混淆矩陣計算敏感性與特異性，動態(tài)確定偽樣本增強數(shù)量n*；使用生成器生成m×n*個偽樣本；利用AutoEncoder構(gòu)建特征空間，計算偽樣本與真實樣本的皮爾遜相關(guān)系數(shù)、歐氏距離和最小均方誤差三類距離指標，對三類距離指標進行歸一化并加權(quán)融合，得到綜合得分；選擇綜合得分最低的前n*個偽樣本，構(gòu)成最終增強樣本集合

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人吉林大學，其通訊地址為：130012 吉林省長春市朝陽區(qū)前進大街2699號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。