龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
申请/专利权人：中国农业大学
申请日：2024-02-27
公开（公告）日：2024-06-25
公开（公告）号：CN118248210A
主分类号：G16B20/20
分类号：G16B20/20;G16B30/10;G16B40/00;G16B50/00;G06N3/0464;G06N3/08
优先权：
专利状态码：在审-公开
法律状态：2024.06.25#公开
摘要：本发明公开了一种基于全基因组重测序SNP大数据和深度学习的谱系溯源方法。该方法充分考虑地理位置相近种群难以溯源和基因组大数据难以提取和特征表示的问题，通过深度学习神经网络模型提取样本中核酸序列信息进行更好的特征表示，并在覆盖度较好的参考数据库上进行模型训练，经由十折交叉验证方法得到当前数据集的最优模型，用其对未知样本进行谱系溯源。本发明基于深度学习的谱系溯源方法具有高度的准确性和可靠性，能够为研究人员和科学家提供重要的遗传信息，在农业、生物医学和生态学等领域也有着极其重要的价值和广阔的应用场景。
主权项：1.一种基于全基因组重测序SNP数据和深度学习的谱系溯源方法，包括以下步骤：1收集已知地理种群或亚群体来源的生物样本，对样本进行全基因组重测序得到单核苷酸多态性变异结果，用于构建不同地理种群或亚群体样本的参考数据库；2将不同地理种群或亚群体来源样本的单核苷酸多态性数据转换为DNAFasta格式序列文件，并基于独热编码方式映射为特征数值矩阵；3对采集自不同地理种群或亚群体的样本进行地理位置概率赋值，样本根据其来源不同得到不同地理位置的概率值，每个样本在其来源的地理种群或亚群体的概率值为100％，其他地理种群或亚群体来源概率值为0％，从而得到概率值标签矩阵；4将步骤2得到的特征数值矩阵和步骤3得到的概率值标签矩阵用于深度学习神经网络模型训练，其中，步骤2的特征数值矩阵作为神经网络的输入层用于特征学习和提取；步骤3的概率值标签矩阵为神经网络提供学习目标，使得网络能够根据期望的输出进行自我调整和优化，建立输入与输出之间的映射关系；5输入待测样本的特征数值矩阵，经过步骤4训练的深度学习神经网络模型，输出待测样本所属地理种群或亚群体的谱系。
全文数据：
权利要求：
百度查询： 中国农业大学 基于全基因组重测序SNP大数据和深度学习的谱系溯源方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号