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！

龙图腾网恭喜西安电子科技大学申请的专利基于图卷积网络的单细胞子区室检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：CN114974422B 。

龙图腾网通过国家知识产权局官网在2025-03-18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：202210600216.6，技术领域涉及：G16B30/00；该发明授权基于图卷积网络的单细胞子区室检测方法是由高琳;宋拓;叶育森设计研发完成，并于2022-05-27向国家知识产权局提交的专利申请。

本基于图卷积网络的单细胞子区室检测方法在说明书摘要公布了：本发明提出了一种基于图卷积网络的单细胞子区室检测方法，用于解决现有技术进行子区室结构检测中存在的检测精度较低以及子区室类型检测不全面的技术问题，实现步骤为：获取训练样本集和测试样本集；构建基于图卷积网络的单细胞子区室检测网络模型；对单细胞子区室检测网络模型进行迭代训练；获取单细胞子区室的检测结果；图卷积网络基于交互作用矩阵和特征矩阵进行多次图卷积操作，相比现有技术能够额外使用序列区间自身的特征信息；特征映射网络通过迭代优化自动学习出每个序列区间所属的子区室标签，避免了现有技术需要预先设置子区室类型个数的问题。可用于染色质子区室结构检测、不同细胞染色质结构差异比较、细胞特征提取。

本发明授权基于图卷积网络的单细胞子区室检测方法在权利要求书中公布了：1.一种基于图卷积网络的单细胞子区室检测方法，其特征在于，包括如下步骤：1获取训练样本集和测试样本集：获取数据集中包含细胞标签的M个单细胞Hi-C数据，并对每个单细胞Hi-C数据进行预处理，得到预处理后的M个大小为W×W的交互作用矩阵A＝{A1,A2,…,Am,…,AM}和特征矩阵X＝{X1,X2,…,Xm,…,XM}，然后将其中Q个预处理后的交互作用矩阵及其对应的特征矩阵组成训练样本集Htrain，将其余Y个预处理后的交互作用矩阵及其对应的特征矩阵组成测试样本集Htest，其中，M≥500，Am表示第m个预处理后的交互作用矩阵，Xm表示Am对应的特征矩阵，Q＞M2，M＝Q+Y；2构建基于图卷积网络的单细胞子区室检测网络模型O：2a构建基于图卷积网络的单细胞子区室检测网络模型O的结构：构建包括顺次连接的特征映射网络、图池化层、图卷积网络和多层感知器MLP的单细胞子区室检测网络模型O，其中：特征映射网络包括顺次连接的多个图卷积层、多个全连接层和Softmax归一化激活函数；图卷积网络包括多个图卷积层和多个激活函数；MLP包括输入层、隐藏层和输出层；2b定义单细胞子区室检测网络模型O的损失函数L： 其中，C表示交叉熵损失函数，θ是权重参数，b表示随机选取的训练样本编号，B是Htrain随机选取的训练样本数量，Sb是分配矩阵集合st中的第b个分配矩阵，表示分配矩阵Sb中第w行的值其绝对值之和，ab、cb分别是第b个训练样本其模型预测的样本标签和实际的样本标签；3对单细胞子区室检测网络模型O进行迭代训练：3a初始化迭代数为t，最大迭代次数为T，T≥120，第t次迭代单细胞子区室检测模型为Ot，第t次迭代特征映射网络、图卷积网络和MLP的权值分别为ω1t、ω2t、ω3t，并令t＝0，Ot＝O；3b将从训练样本集Htrain中随机选取的B个训练样本作为单细胞子区室检测网络模型Ot的输入进行前向传播，得到B个训练样本的分配矩阵集合st以及细胞标签预测值集合at；3c采用损失函数L、并通过分配矩阵集合st，细胞标签集合at，计算Ot的损失值Lt；采用反向传播方法，通过Lt计算Ot的参数梯度λt，然后采用梯度下降法，通过λt对特征映射网络、图卷积网络和MLP的权值ω1t、ω2t、ω3t进行更新，得到本次迭代的单细胞子区室检测网络模型Ot；3d判断t＝T是否成立，若是，得到训练好的单细胞子区室检测模型O*，否则令t＝t+1，并执行步骤3b；4获取单细胞子区室的检测结果：将测试样本集Htest作为训练好的单细胞子区室检测模型O*的输入进行前向传播，得到Y个测试样本集中每个测试样本的分配矩阵Sy，以及该测试样本所对应细胞的细胞标签预测值；对分配矩阵Sy进行概率统计得到测试样本所对应的细胞其每个序列区间bin所属的子区室标签。

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电子科技大学，其通讯地址为：710071 陕西省西安市太白南路2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”。