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！

龙图腾网获悉复旦大学申请的专利一种推断影像与表型因果关系的多变量孟德尔随机化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：CN116092679B 。

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：202310034302.X，技术领域涉及：G16H50/30；该发明授权一种推断影像与表型因果关系的多变量孟德尔随机化方法是由赵兴明;杨安怡设计研发完成，并于2023-01-10向国家知识产权局提交的专利申请。

本一种推断影像与表型因果关系的多变量孟德尔随机化方法在说明书摘要公布了：本发明公开了一种推断影像与表型因果关系的多变量孟德尔随机化方法，包括整合基因组、影像组和表型组数据，用于脑影像特征指标和表型之间的因果推断，将多个脑影像特征指标的相关性考虑进因果推断中并对可能存在的偏差进行了矫正，具体包括以下步骤:S1：获取初始工具变量、风险因素变量和表型；S2：偏差矫正，对初始工具变量和风险因素变量进行筛选；S3：使用两阶段方法推断因果关系，筛选出与表型存在因果关系的脑影像特征指标；S4：使用Sargan进行水平多效性检验，检验所述的表型所不能被风险因素所解释的部分是否与初始工具变量显著相关。相比与传统方法，本发明能够得到更加精确的因果效应估计值，并且选择的风险因素的一型错误率更低。

本发明授权一种推断影像与表型因果关系的多变量孟德尔随机化方法在权利要求书中公布了：1.一种推断影像与表型因果关系的多变量孟德尔随机化方法，其特征在于，整合基因组、影像组和表型组数据，用于脑影像特征指标和表型之间的因果推断，将多个脑影像特征指标的相关性考虑进因果推断中并对可能存在的偏差进行了矫正，具体包括以下步骤: S1：获取初始工具变量、风险因素变量和表型，所述的风险因素变量为脑影像特征指标，所述的表型为结果变量的行为或疾病； S2：偏差矫正，对初始工具变量和风险因素变量进行筛选； S3：使用两阶段方法推断因果关系，筛选出与表型存在因果关系的脑影像特征指标； S4：使用Sargan进行水平多效性检验，检验所述的表型所不能被风险因素所解释的部分是否与初始工具变量显著相关； 所述的步骤S1中获取初始工具变量、风险因素变量的具体方法包括以下步骤： S11：选取目标脑影像特征指标作为风险因素； S12：选取与至少一个脑影像特征指标显著相关的SNP作为初始工具变量； S13：选取与至少一个初始工具变量显著相关的脑影像特征指标作为风险因素变量； 所述的步骤S2中具体的偏差矫正的方法为： S21：给定作为初始工具变量的SNP与风险因素在全基因组关联分析中的显著性水平P1值,并将P1值转换成t值：，其中为标准正态分布的分布函数; S22：对t值进行收缩，其中当选定阈值cutoff越严格或者样本量N越大时，矫正的强度越低：，其中C为修正参数，c=20； S23：将矫正后的t值转换成P值：； 所述步骤S3中，具体包括： S31：根据初始工具变量、风险因素变量和表型从数据库中提取数据，并进行数据预处理并生成基因型矩阵、脑影像矩阵和表型向量； S32：对于预处理好的基因型矩阵、脑影像矩阵和表型向量，第一阶段首先使用偏最小二乘法，将基因型矩阵G和脑影像矩阵X进行回归，采用十折交叉验证选择最优参数：，并预测出拟合的脑影像矩阵，其中代表脑影像特征指标由基因所解释的部分； S33：第二阶段将表型向量和第一阶段预测出的脑影像矩阵使用Lasso回归算法进行特征筛选，并拟合出每个脑影像特征指标特征Xk与表型y的因果效应： 其中，1≤k≤K为Lasso回归拟合的系数，为服从正态分布的回归误差； 使用desparsifiedLasso方法计算出对因果效应拟合值进行偏差矫正的P2值，则可根据筛选出的脑影像特征指标所对应的desparsifiedLassoP2值选出与表型存在因果关系的脑影像特征指标。

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复旦大学，其通讯地址为：200433 上海市杨浦区邯郸路220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”。