【技术实现步骤摘要】
【国外来华专利技术】CONVOLUTIONAL NEURAL NETWORKS(CNNs)”的美国临时专利申请号
62/573,149(
代理人案卷号
ILLM 1000
‑
2/IP
‑
1612
‑
PRV)
;
[0014]2017
年
10
月
16
日提交的名称为“DEEP SEMI
‑
SUPERVISED LEARNING THAT GENERATES LARGE
‑
SCALE PATHOGENIC TRAINING DATA”的美国临时专利申请号
62/573,153(
代理人案卷号
ILLM 1000
‑
3/IP
‑
1613
‑
PRV)
;
[0015]2017
年
11
月7日提交的名称为“PATHOGENICITY CLASSIFICATION OF GENOMIC DATA USING DEEP CONVOLUTIONAL NEURAL NETWORKS(CNNs)”的美国临时专利申请号
62/582,898(
代理人案卷号
ILLM 1000
‑
4/IP
‑
1618
‑
PRV)
;
[0016]2018
年
10
月
15
日提交的名称为“DEE ...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】1.
一种高效确定序列中哪些元素最接近网格中均匀间隔的单元格的计算机实现的方法,其中所述元素具有元素坐标,并且所述单元格具有维度式单元格索引和单元格坐标,所述方法包括:生成将所述单元格的子集映射到所述元素中的每个元素的元素到单元格映射,其中映射到所述序列中的特定元素的所述单元格的所述子集包括所述网格中的最接近单元格和所述网格中的一个或多个邻域单元格,其中基于将所述特定元素的元素坐标匹配到所述单元格坐标来选择所述最接近单元格,并且其中所述邻域单元格与所述最接近单元格连续相邻,并且基于在相对所述特定元素处于距离接近范围内来选择;生成单元格到元素映射,其将所述元素的子集映射到所述单元格中的每个单元格,其中映射到所述网格中的特定单元格的所述元素的所述子集包括所述序列中通过所述元素到单元格映射而映射到所述特定单元格的那些元素;以及使用所述单元格到元素映射来为所述单元格中的每个单元格确定所述序列中的最接近元素,其中基于所述特定单元格与所述元素子集中的所述元素之间的距离来确定所述特定单元格的所述最接近元素
。2.
根据权利要求1所述的计算机实现的方法,其中将所述特定元素的所述元素坐标匹配到所述单元格坐标还包括截断所述元素坐标的小数部分以生成截断的元素坐标
。3.
根据权利要求1或2所述的计算机实现的方法,其中将所述特定元素的所述元素坐标匹配到所述单元格坐标还包括:对于第一维度,将所述截断的元素坐标中的第一截断的元素坐标与所述网格中第一单元格的第一单元格坐标进行匹配,并且选择所述第一单元格的第一维度索引;对于第二维度,将所述截断的元素坐标中的第二截断的元素坐标与所述网格中第二单元格的第二单元格坐标进行匹配,并且选择所述第二单元格的第二维度索引;对于第三维度,将所述截断的元素坐标中的第三截断的元素坐标与所述网格中第三单元格的第三单元格坐标进行匹配,并且选择所述第三单元格的第三维度索引;基于用底数幂对所选择的第一维度索引
、
第二维度索引和第三维度索引进行位置式加权,使用所选择的第一维度索引
、
第二维度索引和第三维度索引来生成累加和;以及使用所述累加和作为用于选择所述最接近单元格的单元格索引
。4.
根据权利要求1至3中任一项所述的计算机实现的方法,其中计算所述特定单元格的单元格坐标与所述元素子集中的所述元素的元素坐标之间的所述距离
。5.
根据权利要求1至4中任一项所述的计算机实现的方法,其中所述序列是氨基酸的蛋白质序列
。6.
根据权利要求5所述的计算机实现的方法,其中所述元素是所述氨基酸的原子
。7.
根据权利要求5或6所述的计算机实现的方法,其中生成所述元素到单元格映射
、
生成所述单元格到元素映射
、
以及使用所述单元格到元素映射来为所述单元格中的每个单元格确定所述最接近元素的步骤的运行时复杂度为
O(a*f+v...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。