申请/专利权人：深圳大学

申请日：2023-06-19

公开（公告）日：2024-03-19

公开（公告）号：CN116453599B

主分类号：G16B30/00

分类号：G16B30/00;G06F18/241;G06F18/214;G06N3/094

优先权：

专利状态码：有效-授权

法律状态：2024.03.19#授权;2023.08.04#实质审查的生效;2023.07.18#公开

摘要：本发明涉及数据处理领域，公开一种开放阅读框预测方法、设备及存储介质。由于本发明基于对抗训练和正样本‑未知样本学习创建了改进的开放阅读框预测模型，通过模型中的生成模块进行数据增强获得生成样本，利用数据生成的方式来缓解数据不平衡，相比现有方法采用加权损失方式，避免可能因权重设置不合理造成模型学习偏差的问题，从而提升预测准确率。且通过模型中的辨别模块与生成模块进行对抗训练，基于未知样本学习实现分类任务，考虑未知样本的存在，能够合理利用和挖掘未知样本，有效地避免了现有方法把未知样本当成负样本处理而产生的假阴性问题。综上本发明能够预测出更为高质量可实验性的开放阅读框，极大地提升了预测效果。

主权项：1.一种开放阅读框预测方法，其特征在于，所述方法包括以下步骤：获取开放阅读框的数据集，所述数据集包括正样本和未知样本，所述正样本为所述数据集中已经确认是所述开放阅读框的样本，所述未知样本为所述数据集中无法确认是所述开放阅读框的样本；通过改进的开放阅读框预测模型对所述数据集进行分类，获得所述数据集的分类结果，所述开放阅读框预测模型包括生成模块和辨别模块，所述生成模块与所述辨别模块之间以对抗训练的方式进行学习，所述生成模块用于学习所述数据集中的样本以进行数据增强获得生成样本，所述辨别模块用于根据所述数据集中的样本以及所述生成样本进行未知样本学习，并对所述数据集中的样本进行分类，所述生成样本为所述辨别模块无法识别的样本；根据所述分类结果获得预测为正样本的开放阅读框集合；其中，所述根据所述分类结果获得预测为正样本的开放阅读框集合的步骤之后，还包括：利用加抗生素的Ribo-seq数据对所述开放阅读框集合进行后处理，获得所述开放阅读框集合中各样本相邻密码子的匹配情况；筛选出各所述样本中相邻密码子相互匹配片段大于预设次数的目标样本，并将所述目标样本整理为开放阅读框优选集。

全文数据：

权利要求：

百度查询： 深圳大学 开放阅读框预测方法、设备及存储介质

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD