買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜長春大學申請的專利適用于小樣本高維度數據的稻瘟病致病基因識別方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN119296638B 。

龍圖騰網通過國家知識產權局官網在2025-04-04發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202411816228.8，技術領域涉及：G16B20/20；該發明授權適用于小樣本高維度數據的稻瘟病致病基因識別方法是由戴銀飛;樊杰;喬夢嬌;盧世豪;王紹強;劉玉寶;王艷柏;劉志遠;隋玉萍設計研發完成，并于2024-12-11向國家知識產權局提交的專利申請。

本適用于小樣本高維度數據的稻瘟病致病基因識別方法在說明書摘要公布了：本發明屬于生物特征識別技術領域，涉及一種適用于小樣本高維度數據的稻瘟病致病基因識別方法，該方法對采集的數據進行處理，得到每個基因所對應樣本的表達量，之后進行差異分析，識別出差異表達基因，并根據差異表達基因構建PPI網絡，確定與稻瘟病相關的關鍵基因；最后構建CGAN?SAE深度學習模型，利用確定的關鍵基因對CGAN模塊進行訓練，使CGAN模塊能夠生成與真實數據難以區分的模擬基因樣本數據；再用模擬基因樣本與真實樣本對SAE模塊進行訓練，使SAE模塊能夠捕捉全局特征，最終提取到的特征通過PCA進一步處理，識別出稻瘟病感染過程中的核心基因。該方法解決了在樣本數量少，維度高的水稻數據集中進行基因篩選的難題。

本發明授權適用于小樣本高維度數據的稻瘟病致病基因識別方法在權利要求書中公布了：1.一種適用于小樣本高維度數據的稻瘟病致病基因識別方法，其特征在于，該方法包括以下步驟：步驟1.數據采集；步驟2.對步驟1采集的數據進行處理，得到每個基因所對應樣本的表達量；步驟3.對步驟2處理后的數據進行差異分析，識別出數據中的差異表達基因；步驟4.蛋白質-蛋白質互作用網絡構建與分析；根據步驟3確定的差異表達基因構建蛋白質-蛋白質互作用網絡，之后使用集成了CytoHubba插件的Cytoscape軟件重建蛋白質-蛋白質互作用網絡，對重建后的蛋白質-蛋白質互作用網絡進行分析，確定與稻瘟病相關的關鍵基因；步驟5.構建CGAN-SAE深度學習模型，利用步驟4確定的與稻瘟病相關的關鍵基因對CGAN模塊進行訓練，使訓練后的CGAN模塊能夠生成與真實數據難以區分的模擬基因樣本數據；之后將新生成的模擬基因樣本與步驟1獲取的真實樣本輸入SAE模塊進行訓練，使訓練后的SAE模塊在進行特征提取時能夠捕捉全局特征，最終提取到的特征通過主成分分析進一步處理，降低高維特征的冗余性，同時對特征進行重要性評分，從而識別出稻瘟病感染過程中的核心基因；所述CGAN模塊包括生成器、判別器；其中，生成器的網絡結構包括依次設置的第一block層、第二block層、第三block層、第四block層、Linear層、tanh激活函數，第一block層為線性層，不正則化；第二block層、第三block層、第四block層均為線性層且正則化，第四block層后接Linear層，Linear層后使用tanh激活函數；判別器的網絡結構包括依次設置的第一Linear層、LeakyReLU激活函數、第二Linear層、第一Dropout層、LeakyReLU激活函數、第三Linear層、第二Dropout層、LeakyReLU激活函數、第四Linear層；其中，第一Dropout層、第二Dropout層的丟棄率為0.4；CGAN模塊的價值函數為： ；式中，是最大化VG,D對于判別器D；是最小化VG,D對于生成器G；是判別器對真實數據x的預測值，DGz∣y是給定條件y的情況下，判別器對由生成器G使用隨機噪聲向量z生成的樣本的預測值；表示對于從真實數據分布中抽取的真實數據x的期望值；表示對于從隨機噪聲分布Pzz中抽取的噪聲向量z的期望值；所述SAE模塊的編碼器和解碼器網絡中都加入了門控軸向注意層，SAE的編碼器的網絡結構包括依次設置的第一線性層、relu激活函數、第二線性層、門控軸向注意力層；解碼器的網絡結構與編碼器的網絡結構相同。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人長春大學，其通訊地址為：130012 吉林省長春市朝陽區衛星路6543號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。