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！

龙图腾网获悉中国科学院杭州医学研究所申请的专利基于深度学习模型的肿瘤Bulk样本RNA-seq测序数据反卷积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：CN119864089B 。

龙图腾网通过国家知识产权局官网在2025-07-29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：202510343511.1，技术领域涉及：G16B40/00；该发明授权基于深度学习模型的肿瘤Bulk样本RNA-seq测序数据反卷积方法是由黄伟俊;沙雏淋;陆叶;王雅俊;宋杰设计研发完成，并于2025-03-21向国家知识产权局提交的专利申请。

本基于深度学习模型的肿瘤Bulk样本RNA-seq测序数据反卷积方法在说明书摘要公布了：本发明涉及一种基于深度学习模型的肿瘤Bulk样本RNA‑seq测序数据反卷积方法，整合多个包含肿瘤细胞的scRNA‑seq数据集，进行细胞注释，构建scRNA‑seq参考数据集并生成伪BulkRNA‑seq数据集；随后对两数据集进行标准化和基因筛选，并输入到两编码器中，提取深层潜在特征，将提取的特征反卷积为细胞比例和细胞特异性基因表达矩阵；通过误差反向传播算法和梯度下降方法对模型参数进行迭代，最终保存验证效果最佳的模型权重；本发明通过深度学习结合scRNA‑seq参考数据集的构建与注释，实现了数据的高效反卷积，采用随机采样生成伪Bulk数据进行训练，提高了模型的泛化能力和预测精度。

本发明授权基于深度学习模型的肿瘤Bulk样本RNA-seq测序数据反卷积方法在权利要求书中公布了：1.一种基于深度学习模型的肿瘤Bulk样本RNA-seq测序数据反卷积方法，其特征在于，包括以下步骤： S1.整合多个包含肿瘤细胞的scRNA-seq数据集，并进行细胞注释，构建大型scRNA-seq参考数据集； S2.模拟真实BulkRNA-seq的细胞组成，为模型提供训练和验证数据：从已注释的scRNA-seq参考数据集中进行随机采样，按照指定的细胞比例组合，生成伪BulkRNA-seq数据集； S3.数据预处理：对scRNA-seq参考数据集和伪BulkRNA-seq数据集进行标准化和基因筛选，确保输入数据在特征表达和基因集上的一致性； S4.将预处理后的scRNA-seq参考数据集和伪BulkRNA-seq数据集输入到参考集编码器和Bulk编码器，分别提取代表两数据集的深层潜在特征，然后利用解码器将提取的特征反卷积为细胞比例和细胞特异性基因表达矩阵； S5.通过误差反向传播算法和梯度下降方法对模型参数进行不断更新和优化：在每次训练迭代中，通过均值绝对误差和均方误差损失函数评估模型预测与真实伪Bulk数据的误差，逐步降低预测误差，并最终保存验证效果最佳的模型权重； S4中，将预处理后的scRNA-seq特征矩阵和伪BulkRNA-seq数据分别输入至两个带有残差连接模块的全连接层：参考集编码器和Bulk编码器，以进行深层的低维特征学习，得到潜在特征Zref和Zbulk；随后，对这两个潜在特征进行矩阵乘法和点乘运算，计算出细胞比例特征Zprop和细胞特异性基因表达特征Zexpr；最后，将Zprop和Zexpr分别输入细胞比例解码器和细胞特异性基因表达解码器进行解码，从而得到预测的细胞比例prop和细胞特异性基因表达矩阵Expr； S5中，通过最小化误差损失对整个深度网络模型进行优化，其优化目标为： ； 其中： 是伪Bulk数据中已知的真实细胞比例； 是伪Bulk数据中已知的真实细胞特异性基因表达矩阵； 是通过PropDecoder预测的细胞比例； 是通过ExprDecoder预测的细胞特异性基因表达矩阵； 是一个用于调节两部分损失之间权重的超参数； 表示平均绝对误差（MeanAbsoluteError），用于评估预测细胞比例与真实比例之间的差异； 表示均方误差（MeanSquaredError），用于评估预测的细胞特异性基因表达矩阵与真实值之间的差异。

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中国科学院杭州医学研究所，其通讯地址为：310000 浙江省杭州市钱塘区福城路150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”。