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！

龙图腾网恭喜长春大学申请的专利适用于小样本高维度数据的稻瘟病致病基因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：CN119296638B 。

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：202411816228.8，技术领域涉及：G16B20/20；该发明授权适用于小样本高维度数据的稻瘟病致病基因识别方法是由戴银飞;樊杰;乔梦娇;卢世豪;王绍强;刘玉宝;王艳柏;刘志远;隋玉萍设计研发完成，并于2024-12-11向国家知识产权局提交的专利申请。

本适用于小样本高维度数据的稻瘟病致病基因识别方法在说明书摘要公布了：本发明属于生物特征识别技术领域，涉及一种适用于小样本高维度数据的稻瘟病致病基因识别方法，该方法对采集的数据进行处理，得到每个基因所对应样本的表达量，之后进行差异分析，识别出差异表达基因，并根据差异表达基因构建PPI网络，确定与稻瘟病相关的关键基因；最后构建CGAN‑SAE深度学习模型，利用确定的关键基因对CGAN模块进行训练，使CGAN模块能够生成与真实数据难以区分的模拟基因样本数据；再用模拟基因样本与真实样本对SAE模块进行训练，使SAE模块能够捕捉全局特征，最终提取到的特征通过PCA进一步处理，识别出稻瘟病感染过程中的核心基因。该方法解决了在样本数量少，维度高的水稻数据集中进行基因筛选的难题。

本发明授权适用于小样本高维度数据的稻瘟病致病基因识别方法在权利要求书中公布了：1.一种适用于小样本高维度数据的稻瘟病致病基因识别方法，其特征在于，该方法包括以下步骤：步骤1.数据采集；步骤2.对步骤1采集的数据进行处理，得到每个基因所对应样本的表达量；步骤3.对步骤2处理后的数据进行差异分析，识别出数据中的差异表达基因；步骤4.蛋白质-蛋白质互作用网络构建与分析；根据步骤3确定的差异表达基因构建蛋白质-蛋白质互作用网络，之后使用集成了CytoHubba插件的Cytoscape软件重建蛋白质-蛋白质互作用网络，对重建后的蛋白质-蛋白质互作用网络进行分析，确定与稻瘟病相关的关键基因；步骤5.构建CGAN-SAE深度学习模型，利用步骤4确定的与稻瘟病相关的关键基因对CGAN模块进行训练，使训练后的CGAN模块能够生成与真实数据难以区分的模拟基因样本数据；之后将新生成的模拟基因样本与步骤1获取的真实样本输入SAE模块进行训练，使训练后的SAE模块在进行特征提取时能够捕捉全局特征，最终提取到的特征通过主成分分析进一步处理，降低高维特征的冗余性，同时对特征进行重要性评分，从而识别出稻瘟病感染过程中的核心基因；所述CGAN模块包括生成器、判别器；其中，生成器的网络结构包括依次设置的第一block层、第二block层、第三block层、第四block层、Linear层、tanh激活函数，第一block层为线性层，不正则化；第二block层、第三block层、第四block层均为线性层且正则化，第四block层后接Linear层，Linear层后使用tanh激活函数；判别器的网络结构包括依次设置的第一Linear层、LeakyReLU激活函数、第二Linear层、第一Dropout层、LeakyReLU激活函数、第三Linear层、第二Dropout层、LeakyReLU激活函数、第四Linear层；其中，第一Dropout层、第二Dropout层的丢弃率为0.4；CGAN模块的价值函数为： ；式中，是最大化VG,D对于判别器D；是最小化VG,D对于生成器G；是判别器对真实数据x的预测值，DGz∣y是给定条件y的情况下，判别器对由生成器G使用随机噪声向量z生成的样本的预测值；表示对于从真实数据分布中抽取的真实数据x的期望值；表示对于从随机噪声分布Pzz中抽取的噪声向量z的期望值；所述SAE模块的编码器和解码器网络中都加入了门控轴向注意层，SAE的编码器的网络结构包括依次设置的第一线性层、relu激活函数、第二线性层、门控轴向注意力层；解码器的网络结构与编码器的网络结构相同。

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长春大学，其通讯地址为：130012 吉林省长春市朝阳区卫星路6543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”。