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！

龙图腾网获悉武汉大学申请的专利基于Transformer-Encoder和多尺度卷积神经网络的转录因子识别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：CN115713970B 。

龙图腾网通过国家知识产权局官网在2026-05-08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：202211459776.0，技术领域涉及：G16B30/00；该发明授权基于Transformer-Encoder和多尺度卷积神经网络的转录因子识别方法是由刘娟;杨志辉设计研发完成，并于2022-11-16向国家知识产权局提交的专利申请。

本基于Transformer-Encoder和多尺度卷积神经网络的转录因子识别方法在说明书摘要公布了：本发明公开了基于Transformer‑Encoder和多尺度卷积神经网络的转录因子识别方法。该方法首先使用Transformer‑Encoder提取蛋白质序列的全局特征，再使用多尺度卷积神经网络从全局特征中进一步提取多尺度的局部特征，最后融合提取的多个特征，输出蛋白质序列为转录因子的概率。本发明使用基于多层多头注意力机制的Transformer‑Encoder和多尺度卷积神经网络的转录因子识别方法，可以高精度完成对未知蛋白质序列是否为转录因子的识别工作，能快速地仅依靠蛋白质序列来判断转录因子，极大地提高蛋白质标注效率。

本发明授权基于Transformer-Encoder和多尺度卷积神经网络的转录因子识别方法在权利要求书中公布了：1.一种基于Transformer-Encoder和多尺度卷积神经网络的转录因子识别方法，其特征在于，步骤如下： 步骤1：构建训练集：从蛋白质数据库中收集蛋白质序列，根据对应的蛋白质注释信息，将每条蛋白质序列标记为转录因子或者非转录因子；对所有序列进行预处理，得到训练数据集； 所述步骤1包括以下子步骤： 1.1从蛋白质数据库中挑选不包含非标准氨基酸即B，O，U，Z的蛋白质序列，组成数据集S1； 1.2从S1中剔除长度超过1000的序列，仅保留长度小于或等于1000的序列；对长度小于1000的蛋白质序列，用零填充到长度为1000；最后得到蛋白质序列数据集S2； 1.3根据蛋白质数据库中每条蛋白质的GO注释信息，分别将S2中的每条蛋白质序列分别赋予转录因子“1”或非转录因子“0”的标签；最终得到训练数据集;其中代表数据集中第条蛋白质序列；为的标签，{0,1}；为的大小； 步骤2：搭建网络结构：搭建Transformer-Encoder和多尺度卷积神经网络相结合的网络结构构建转录因子预测模型；其中Transformer-Encoder用于获得第条蛋白质序列的全局特征，多尺度卷积神经网络用于基于进行转录因子预测识别； 所述步骤2中，设一个蛋白质序列为表示蛋白质序列中第个位置的氨基酸，利用Transformer-Encoder得到的全局特征的具体步骤为： 2.1通过embedding操作，得到的embedding向量，embedding的具体方法如下： 2.1.1首先对不同的氨基酸种类进行随机初始化，然后按照对应的氨基酸类型将的每个氨基酸embedding生成相应的向量； 2.1.2使用位置编码提取蛋白质序列中的氨基酸的位置信息，其中位置编码是通过正弦和余弦函数来识别氨基酸在蛋白质的不同位置，其中第个氨基酸的位置编码公式如下所示： 其中，pos表示氨基酸在蛋白质序列中的位置，d表示嵌入向量的维度，k为自然数； 2.1.3将每个氨基酸的embedding和对应的位置编码进行相加，得到蛋白质序列的embedding向量； 2.2得到蛋白质序列的embedding向量后，将其作为Transformer-Encoder的输入，利用其attention机制挖掘每两个氨基酸之间的attention分数，将attention分数与embedding向量做叉乘，从而得到整个蛋白质序列的全局特征； 步骤3：训练预测模型：用步骤1得到的训练集来训练步骤2搭建的网络，得到训练好的转录因子预测模型； 步骤4：转录因子预测：利用步骤3得到的预测模型，预测未知的蛋白质序列是否为转录因子，输出预测结果。

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武汉大学，其通讯地址为：430072 湖北省武汉市武昌区珞珈山武汉大学；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。