申请/专利权人:西安交通大学
申请日:2024-03-13
公开(公告)日:2024-06-25
公开(公告)号:CN118246484A
主分类号:G06N3/0442
分类号:G06N3/0442;G06N3/0464;G06N3/084;G06N3/09;G06F18/214;G06F18/21;G06F18/243
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LSTM与Transformer的四序列系统发育树重建方法及系统,通过使用ETE3生成一个四序列的系统发育树拓扑,模拟需重建系统发育树的多序列比对数据,并制作深度学习数据集;构建基于Bi‑LSTM模型的深度学习多任务分类器进行序列数据所属类别分类,构建基于Transformer架构的深度学习多任务分类器,对四序列数据组进行拓扑结构预测;基于训练好的LSTM深度学习分类器和Transformer深度学习分类器对不同类别的序列数据匹配最优模型TransTree,再进行系统发育树推断,重建系统发育树。本发明基于多序列比对,通过深度学习算法推断序列的类别属性,进而对序列数据进行系统发育树推断,构建系统发育树,并可以对不同类别序列数据匹配最优预测模型,得到更加准确的系统发育树推断。
主权项:1.基于LSTM与Transformer的四序列系统发育树重建方法,其特征在于,包括以下步骤:将模拟序列数据集划分为训练集、验证集和测试集;构建包含LSTM结构的序列类别分类深度学习模型,使用训练集、验证集和测试集分别对序列类别分类深度学习模型进行训练、验证和测试;构建具有包含Encoder模块的Transformer结构的四序列系统发育树拓扑预测深度学习模型,使用训练集、验证集和测试集分别对四序列系统发育树拓扑预测深度学习模型进行训练、验证、测试,得到预测模型的评价指标结果;基于训练好的序列类别分类深度学习模型和四序列系统发育树拓扑预测深度学习模型对不同类别的序列数据匹配最优模型并进行四序列系统发育树推断,实现四序列系统发育树深度学习网络的重建。
全文数据:
权利要求:
百度查询: 西安交通大学 基于LSTM与Transformer的四序列系统发育树重建方法及系统
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。