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！

龙图腾网获悉浙江大学长三角智慧绿洲创新中心申请的专利一种基于混合深度学习模型的RNA二级结构预测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：CN121260263B 。

龙图腾网通过国家知识产权局官网在2026-04-21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：202511836248.6，技术领域涉及：G16B40/20；该发明授权一种基于混合深度学习模型的RNA二级结构预测方法是由陈麒先;张宇豪;张留伟;崔洪燕设计研发完成，并于2025-12-08向国家知识产权局提交的专利申请。

本一种基于混合深度学习模型的RNA二级结构预测方法在说明书摘要公布了：本发明公开了一种基于混合深度学习模型的RNA二级结构预测方法，属于生物信息学与人工智能交叉领域。本发明包括：获取待预测的RNA序列数据集并转换为序列特征向量，输入双分支深度神经网络模型，所述模型包括主分支网络和侧分支网络，实现对RNA序列信息的深度、多维度特征挖掘与高精度接触图预测，得到主接触图和侧分支接触图；基于动态权重参数得到融合接触图；将融合接触图进行特征的深度精炼，并输出最终的RNA二级结构预测接触图。本发明能够有效整合RNA序列的局部语法特征与全局结构信息，显著提升了二级结构预测的准确性和鲁棒性，为RNA功能研究、疾病机理探索和靶向药物设计提供了一种新颖、高效且强大的计算工具。

本发明授权一种基于混合深度学习模型的RNA二级结构预测方法在权利要求书中公布了：1.一种基于混合深度学习模型的RNA二级结构预测方法，其特征在于，包括以下步骤： 获取待预测的RNA序列数据集，并将所述RNA序列数据集中的每条RNA序列通过独热编码方法转换为数值化的序列特征向量，作为模型的输入数据； 将所述序列特征向量输入至双分支深度神经网络模型，所述模型包括主分支网络和侧分支网络； 在所述主分支网络中，通过一维卷积模块对所述序列特征向量进行处理以提取一维深度序列特征，并基于所述一维深度序列特征通过低秩分解操作生成主接触图； 在所述侧分支网络中，所述侧分支网络为变分自编码器结构，将所述一维深度序列特征输入至所述变分自编码器结构，对其进行编码以获得其在潜在空间中的均值和对数方差，通过重参数化技巧采样生成潜在表示，并基于所述潜在表示重构生成侧分支接触图； 基于可学习的动态权重参数，对所述主接触图和所述侧分支接触图进行加权融合，得到融合接触图； 通过联合损失函数对双分支深度神经网络模型进行端到端训练，其中，总损失包括最终预测接触图与真实接触图之间的主分类损失、所述融合接触图与真实接触图之间的中间分类损失、对预测结果施加的L1正则化损失、所述侧分支网络的接触图重构损失以及所述侧分支网络中潜在表示的后验分布与先验分布之间的KL散度损失； 总损失由五个部分加权组成： ； 其中，为总损失；为最终预测接触图与真实接触图之间的主分类损失；为所述融合接触图与真实接触图之间的中间分类损失，为其权重系数；为对预测结果施加的L1正则化损失，为其权重系数；为所述侧分支网络的接触图重构损失，为其权重系数；为所述侧分支网络中潜在表示的后验分布与先验分布之间的KL散度损失，为其权重系数； 是核心的监督信号，用于衡量最终预测接触图与真实接触图之间的差异；采用带权重的二元交叉熵损失： 其中，是真实标签，是模型预测的概率，N是参与计算的像素总数，是分别针对正样本和负样本的权重；通过设置远小于，防止模型倾向于将所有位置都预测为负样本； 其中，表示后验分布参数中的均值，表示后验分布参数中的对数方差； 将所述融合接触图输入至二维卷积精炼模块进行特征的深度精炼，并输出最终的RNA二级结构预测接触图； 对所述最终的RNA二级结构预测接触图进行后处理，以确保每个核苷酸最多只参与一个碱基配对，具体包括： 对预测接触图矩阵进行上三角化； 通过贪心算法迭代地在矩阵的每一列和每一行中分别寻找并保留最大概率值的配对，同时消除与该配对冲突的其他潜在配对； 将经过贪心算法处理后的上三角矩阵恢复为对称矩阵，得到最终精炼的接触图。

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浙江大学长三角智慧绿洲创新中心，其通讯地址为：314102 浙江省嘉兴市嘉善县西塘镇中兴路828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”。

以上内容由龙图腾AI智能生成。