基于分子学习向量量化神经网络的乳腺肿瘤诊断方法技术

本发明专利技术提出了一种基于分子学习向量量化神经网络的乳腺肿瘤诊断方法，步骤为：确定学习向量量化神经网络的输入层、竞争层和线性输出层的功能，分别对照于DNA链置换反应；根据DNA链置换反应分别设计学习向量量化神经网络的输入层、竞争层和线性输出层对应的功能模块；确定各个功能模块的反应过程中辅助物、反应物的DNA链的结构及小支点结构，确定各个DNA链中结构域的碱基序列；根据学习向量量化神经网络的结构将各个功能模块级联为基于DNA的学习向量量化神经网络，进行浓度设置；从乳腺癌数据库获取女性乳腺肿瘤病例进行预处理；通过Visual DSD使用基于DNA的学习向量量化神经网络对预处理后的女性乳腺肿瘤病例进行良性或恶性的诊断。本发明专利技术设计的分子学习向量量化神经网络在癌症早期诊断和个性化精准医疗方面具有巨大潜力，成功对女性乳腺肿瘤的良恶性进行了诊断。

【技术实现步骤摘要】

本专利技术涉及dna分子电路的，尤其涉及一种基于分子学习向量量化神经网络的乳腺肿瘤诊断方法。

技术介绍

1、如今，乳腺癌其在发病初期没有明显的临床症状，不容易被察觉。乳腺癌具有明显的异质性，他的病理特征由恶性细胞与正常细胞共同构成，因此针对乳腺癌症的诊断与治疗也面临巨大的挑战。纳米医疗的蓬勃发展为乳腺癌的诊断与治疗提供了强有力的支持。如脂质体、磁性纳米颗粒、纳米凝胶等，已被应用于临床治疗。然而，这些纳米医疗技术缺乏对生物样本进行自主计算的能力，无法在进行诊断与治疗时展现足够智能的行为。

2、dna计算机以其小体积、大储存、低耗能和高度的并行计算能力被科学家们热切关注，它由一系列生物分子以溶液形态组合而成，主要通过生化反应来进行计算，实现分子信息的快速处理。dna链具有高度的可编程性、巨大的并行性和纳米级等特点，是一种易获取的、稳健的纳米级工程材料，在np完全计算问题、生物传感器器件、纳米机器人、药物递送、疾病诊断和纳米电路等领域得到了广泛的应用。基于癌症诊断与治疗的dna逻辑电路已经被开发出来，并展现了其面对癌症治疗时更少的副作用和更高的治疗效本文档来自技高网...

【技术保护点】

1.一种基于分子学习向量量化神经网络的乳腺肿瘤诊断方法，其特征在于，其步骤如下：

2.根据权利要求1所述的基于分子学习向量量化神经网络的乳腺肿瘤诊断方法，其特征在于，所述学习向量量化神经网络包括输入层、竞争层和线性输出层，输入层与竞争层之间采用全连接方式，竞争层与线性输出层之间采用部分连接方式，竞争层的神经元数量总是大于线性输出层的神经元数量，每个竞争层神经元只与一个线性输出层神经元相连接，连接权值恒为1；每个线性输出层神经元可以连接多个竞争层神经元，竞争层神经元和线性输出层神经元的值只能为1或0；当输入数值通过输入层被送入时，与输入向量距离最近的竞争层神经元被激活，状态为“...

【技术特征摘要】

1.一种基于分子学习向量量化神经网络的乳腺肿瘤诊断方法，其特征在于，其步骤如下：

2.根据权利要求1所述的基于分子学习向量量化神经网络的乳腺肿瘤诊断方法，其特征在于，所述学习向量量化神经网络包括输入层、竞争层和线性输出层，输入层与竞争层之间采用全连接方式，竞争层与线性输出层之间采用部分连接方式，竞争层的神经元数量总是大于线性输出层的神经元数量，每个竞争层神经元只与一个线性输出层神经元相连接，连接权值恒为1；每个线性输出层神经元可以连接多个竞争层神经元，竞争层神经元和线性输出层神经元的值只能为1或0；当输入数值通过输入层被送入时，与输入向量距离最近的竞争层神经元被激活，状态为“1”，其他竞争层神经元的状态为“0”，与被激活的竞争层神经元相连接的线性输出层神经元状态为“1”，而其他线性输出层神经元的状态均为“0”；

3.根据权利要求1或2所述的基于分子学习向量量化神经网络的乳腺肿瘤诊断方法，其特征在于，所述输入层的功能模块包括输入激活模块、减法湮灭模块、绝对值求和模块，竞争层的功能模块包括信号反转模块、反转求和模块、湮灭模块，线性输出层的功能模块包括报告求和模块和报告反应模块；

4.根据权利要求3所述的基于分子学习向量量化神经网络的乳腺肿瘤诊断方法，其特征在于，所述输入激活模块是一个催化反应，激活因子xi加入反应前，输入链cij与权重链wij的浓度都被分别锁在输入底物cij*与权重底物wij*内；只有激活因子xi加入后，激活因子xi分别与输入底物cij*和权重底物wij*进行可逆的链置换反应，分别生成输入链cij、权重链wij和一个相同的中间产物，中间产物与燃料链xfi再次进行可逆的dna链置换反应，重新生成激活因子xi，这样只要激活因子xi存在且燃料链xfi是足够的，反应就可以将所有的输入底物cij*与权重底物wij*全部分别转化成输入链cij与权重链wij；

5.根据权利要求4所述的基于分子学习向量量化神经网络的乳腺肿瘤诊断方法，其特征在于，所述减法湮灭模块的湮灭反应所利用的立足点是g，具有7个核苷酸；绝对值求和模块的第一部分反应利用的是输入链cij与权重链wij上的立足点h，具有5个核苷酸；

6.根据权利要求5所述的基于分子学习向量量化神经网络的乳腺肿瘤诊断方法，其特征在于，所述激活因子xi共有十条分别为：x1、x2、x3、x4、x5、x6、x7、x8、x9、x10，结构分别为<x1g^>、<x2 g^>、<x3 g^>、<x4 g^>、<x5 g^>、<x6 g^>、<x7 g^>、<x8 g^>、<x9 g^>、<x10 g^>；其中，x1-x10分别代表10个输入的分支迁移结构域的名称，g代表小支点域的名称，^代表小支点域，<>代表单链；输入底物cij*有30条，分别为c11*、c12*、***************c13、c14、c15、c16、c17、c18、c19、c110、c21、c22、c23、c24、c25、c26、c27、c28*、c29*、c210*、c31*、c32*、c33*、c34*、c35*、c36*、c37*、c38*、c39*、c310*，结构分别为<h^c11>[g^x1]{g^*}、<h^c12>[g^x2]{g^*}、<h^c13>[g^x3]{g^*}、<h^c14>[g^x4]{g^*}、<h^c15>[g^x5]{g^*}、<h^c16>[g^x6]{g^*}、<h^c17>[g^x7]{g^*}、<h^c18>[g^x8]{g^*}、<h^c19>[g^x9]{g^*}、<h^c110>[g^x10]{g^*}、<h^c2>[g^x1]{g^*}、<h^c22>[g^x2]{g^*}、<h^c23>[g^x3]{g^*}、<h^c24>[g^x4]{g^*}、<h^c25>[g^x5]{g^*}、<h^c26>[g^x6]{g^*}、<h^c27>[g^x7]{g^*}、<h^c28>[g^x8]{g^*}、<h^c29>[g^x9]{g^*}、<h^c210>[g^x10]{g^*}、<h^c31>[g^x1]{g^*}、<h^c32>[g^x2]{g^*}、<h^c33>[g^x3]{g^*}、<h^c34>[g^x4]{g^*}、<h^c35>[g^x5]{g^*}、<h^c36>[g^x6]{g^*}、<h^c37>[g^x7]{g^*}、<h^c38>[g^x8]{g^*}、<h^c39>[g^x9]{g^*}、<h^c310>[g^x10]{g^*}；其中，...

【专利技术属性】
技术研发人员：黄春，邵家英，李盼龙，姜素霞，王延峰，孙军伟，王英聪，张勋才，刘娜，
申请(专利权)人：郑州轻工业大学，
类型：发明
国别省市：