用于处理适体数据的神经网络制造技术

方法、系统和装置，包括在计算机存储介质上编码的计算机程序，用于获得定义用于适体的序列的数据，适体包括核碱基串；将定义用于适体的序列的数据编码为神经网络输入；以及使用神经网络，处理神经网络输入以生成表征适体有多强地结合到特定目标分子的输出，其中所述神经网络已经通过训练被配置以接收定义序列的数据和处理数据以生成表征适体有多强地结合到特定目标分子的预测输出。

【技术实现步骤摘要】
用于处理适体数据的神经网络
本专利技术涉及处理适体数据的神经网络。
技术介绍
神经网络是采用模型的一个或多个层来针对所接收的输入，生成输出(诸如一个或多个分类)的机器学习模型。一些神经网络除输出层外，还包括一个或多个隐藏层。每个隐藏层的输出被用作网络中的下一层的输入，即，网络的下一隐藏层或输出层。网络的每个层根据相应的参数集的当前值，通过所接收的输入生成输出。
技术实现思路
通常，本说明书描述用于处理适体数据的神经网络。通常，本说明书中所述的主题的一个创新方面能体现在方法中，该方法包括动作：获得定义用于适体的序列的数据，适体包括核碱基串；将定义用于适体的序列的数据编码为神经网络输入；以及使用神经网络来处理神经网络输入以生成表征适体有多强地结合到特定目标分子的输出，其中所述神经网络已经通过训练被配置为接收定义序列的数据和处理数据以生成表征适体有多强地结合到特定目标分子的预测输出。实施方式能包括下述特征中的一个或多个。表征适体多强结合的输出包括多个SELEX循环输出，每个SELEX循环输出与迭代SELEX过程中相应的循环相对应，其中，每个SELEX循环输出针对对应的SELEX循环表征适体有多本文档来自技高网...

【技术保护点】
一种方法，包括：获得定义用于适体的序列的数据，所述适体包括核碱基串；将定义用于所述适体的所述序列的所述数据编码为神经网络输入；以及使用神经网络来处理所述神经网络输入以生成表征所述适体有多强地结合到特定目标分子的输出，其中所述神经网络已经通过训练被配置为接收定义所述序列的所述数据和处理所述数据以生成表征所述适体有多强地结合到所述特定目标分子的预测输出。

【技术特征摘要】
2015.10.23 US 14/921,9731.一种方法，包括：获得定义用于适体的序列的数据，所述适体包括核碱基串；将定义用于所述适体的所述序列的所述数据编码为神经网络输入；以及使用神经网络来处理所述神经网络输入以生成表征所述适体有多强地结合到特定目标分子的输出，其中所述神经网络已经通过训练被配置为接收定义所述序列的所述数据和处理所述数据以生成表征所述适体有多强地结合到所述特定目标分子的预测输出。2.如权利要求1所述的方法，其中，表征所述适体有多强地结合的所述输出包括多个SELEX循环输出，每个SELEX循环输出与迭代SELEX过程中相应的循环相对应，其中，每个SELEX循环输出针对对应的SELEX循环表征所述适体有多强地结合到所述特定目标分子。3.如权利要求2所述的方法，其中，与所述迭代SELEX过程中的在前SELEX循环相对应的所述SELEX循环输出是指示所述适体是否存在于用在后续SELEX循环的池中的二进制值。4.如权利要求2所述的方法，其中，用于所述SELEX过程中的后一SELEX循环的SELEX循环输出包括所述适体的高通量测序计数，所述高通量测序计数指示所述适体有多强地结合到所述特定目标分子。5.如权利要求1所述的方法，其中，表征所述适体有多强地结合的所述输出包括荧光水平矢量，其中，每个荧光水平的亮度指示所述适体有多强地结合到所述特定目标分子。6.如权利要求1所述的方法，其中，所述神经网络为卷积神经网络。7.如权利要求1所述的方法，其中，定义所述序列的所述数据包括指定所述适体的二级结构的数据。8.如权利要求7所述的方法，其中，指定所述二级结构的所述数据包括指定所述适体中的氢键的模式的数据或所述适体的能量点阵图矩阵的数据。9.如权利要求1所述的方法，其中，编码定义所述序列的所述数据包括将定义所述序列的所述数据转换成多个独热矢量，每个独热矢量与所述适体中的相应的核碱基相对应。10.如权利要求1所述的方法，进一步包括将突变迭代地应用于所述序列以生成具有结合到所述特定目标分子的最大强度的经突变的序列，包括针对多个迭代中的每个：将突变应用于当前经突变的序列以生成新的经突变的序列；使用所述神经网络来处理所述新的经突变的序列以生成表征所述新的经突变的序列有多强地结合到特定目标分子的输出；使用所述神经网络来确定所述输出是否指示所述新的经突变的序列比所述当前经突变的序列更强地结合；以及基于所述输出是否指示所述新的经突变的序列比所述当前经突变的序列更强地结合，选择将应用在下一迭代中的另一突变。11.一种方法，包括：获得定义用于适体的多个序列的数据，每个适体包括核碱基串，每个序列具有包括相应的适体有多强地结合到特定目标分子的特性的相应的标签；编码所述数据以生成用于神经网络的训练数据；以及对所述训练数据训练所述神经网络，所述神经网络被配置为输出特定输入序列有多强地结合到所述特定目标分子的特性...

【专利技术属性】
技术研发人员：米歇尔·泰瑞莎·霍纳·戴蒙，马克·伯恩德尔，马克·阿德莱·科拉姆，布兰·特里普，帕特里克·F·赖利，菲利普·查尔斯·内尔松，
申请(专利权)人：谷歌公司，
类型：发明
国别省市：美国,US