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深圳先进技术研究院申请的专利一种癌症患者聚类与生存分析方法及相关设备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：CN116110593B 。

龙图腾网通过国家知识产权局官网在2025-10-10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：202211433539.7，技术领域涉及：G16H50/70；该发明授权一种癌症患者聚类与生存分析方法及相关设备是由林越;吴红艳;张睿;蔡云鹏;叶翔鹏设计研发完成，并于2022-11-16向国家知识产权局提交的专利申请。

本一种癌症患者聚类与生存分析方法及相关设备在说明书摘要公布了：本发明公开了一种癌症患者聚类与生存分析方法及相关设备，本发明基于患者虚拟概率网络构建方法，基于图自编码器，采用两阶段训练来分别学习单组学特征筛选与多组学融合表征，能更准确表征患者关系网络，并解耦单组学学习与多组学整合之间的关系，实现更精准的聚类准确率与稳健度；本发明通过基于概率的形式构建患者虚拟关系网络的，更加差异化表示不同患者的关系，实现对癌症患者的生存分析，提高了癌症患者生存期预测的准确性与可用性。

本发明授权一种癌症患者聚类与生存分析方法及相关设备在权利要求书中公布了：1.一种癌症患者聚类与生存分析方法，其特征在于，所述癌症患者聚类与生存分析方法包括： 从预设癌症数据库中获取患者的多种组学数据，将所述多种组学数据转为特征矩阵的形式，所述特征矩阵用于表示患者样本和特征，对每一种组学数据，分别构建基于概率的患者虚拟关系网络，并转成邻接矩阵的形式； 构建多个图自编码器分别对单一组学数据进行特征筛选，每个所述图自编码器包括图卷积编码器与内积解码器，所述图卷积编码器对每种组学数据的特征矩阵与患者虚拟关系网络进行联合表征，得到一个低维隐层特征向量，所述内积解码器对所述低维隐层特征向量进行重构得到重构关系网络，并筛选得到每一种组学数据优化后的隐层表征； 将得到的每个组学数据的低维隐层特征向量进行拼接后，输入到多组学整合自编码器中，通过最小化所有组学数据的原始表征与重构表征之间的零膨胀负二项分布损失之和作为损失函数进行训练； 对学习得到的低维融合表征进行聚类，得到每个患者的聚类标签，并绘制生存曲线以实现对癌症患者的生存分析； 所述预设癌症数据库包括TCGA癌症多组学数据库和GDC癌症多组学数据库； 所述设癌症数据库中获取患者的多种组学数据，将所述多种组学数据转为特征矩阵的形式，所述特征矩阵用于表示患者样本和特征，对每一种组学数据，分别构建基于概率的患者虚拟关系网络，并转成邻接矩阵的形式，具体包括： 从所述TCGA癌症多组学数据库或者所述GDC癌症多组学数据库中获取癌症患者的miRNA、DNA甲基化和CNV三种不同的组学数据，对每种组学数据的特征矩阵进行归一化，得到每种组学数据的原始特征矩阵； 基于所述原始特征矩阵构建基于概率的患者虚拟关系网络，基于欧氏距离计算患者i与患者j两两间特征矩阵的相似度关系： dij＝||xi-xj||2； 其中，dij表示相似度关系，xi和xj表示节点； 定义优化目标期望E为： 其中，pxj|xi表示节点xi和节点xj之间的相关概率，n表示患者数，所述优化目标期望E用于使得相似患者分配得到的概率更大，不相似患者分配的概率更小； 计算得到患者间的连接概率为： 其中，Aij表示患者间的连接概率，即患者虚拟关系网络的边权，k表示每个患者连接的边的数量，表示对于i节点相关的所有节点按照欧式距离升序排序后i与第j个节点的欧式距离，表示对于i节点相关的所有节点按照欧式距离升序排序后i与第k+1个节点的欧式距离，表示对于i节点相关的所有节点按照欧式距离升序排序后i与第t个节点的欧式距离，+表示max，0函数； 为每一种组学数据分别构建完成基于概率的患者间关系网络。

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深圳先进技术研究院，其通讯地址为：518000 广东省深圳市南山区西丽深圳大学城学苑大道1068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。