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！

龙图腾网获悉广东工业大学申请的专利一种基于多层次感知聚合和深度分层图混合学习器的微生物-疾病关联预测方法及装置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：CN121075433B 。

龙图腾网通过国家知识产权局官网在2026-05-01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：202511173272.6，技术领域涉及：G16B40/00；该发明授权一种基于多层次感知聚合和深度分层图混合学习器的微生物-疾病关联预测方法及装置是由谢国波;刘岩;黄小兵;何炯星;周宇;苏庆;林志毅;王泽玮;连凯;温诗恒;罗楷聪;陈家豪设计研发完成，并于2025-08-21向国家知识产权局提交的专利申请。

本一种基于多层次感知聚合和深度分层图混合学习器的微生物-疾病关联预测方法及装置在说明书摘要公布了：本发明公开的属于生物医学工程技术领域，具体为一种基于多层次感知聚合和深度分层图混合学习器的微生物‑疾病关联预测方法及装置，包括具体步骤如下：S1：获取已知的微生物‑疾病关联信息，构建微生物‑疾病关联矩阵A1；同时构建微生物综合相似性矩阵CM、微生物表征映射矩阵MM、疾病综合相似性矩阵CD、疾病表征映射矩阵DD；S2：基于CM、MM、CD和DD，应用多层次感知聚合策略MLPA，得到微生物跃层联动特征矩阵LM和疾病跃层联动特征矩阵LD。本发明采用多层次感知聚合策略增强特征表达，结合双驱关联增强策略挖掘潜在关联，同时通过深度分层图混合学习器实现对复杂异构网络结构的高效学习和动态特征聚合，显著提升了关联预测的准确性和可靠性。

本发明授权一种基于多层次感知聚合和深度分层图混合学习器的微生物-疾病关联预测方法及装置在权利要求书中公布了：1.一种基于多层次感知聚合和深度分层图混合学习器的微生物-疾病关联预测方法，其特征在于，包括具体步骤如下： S1：获取已知的微生物-疾病关联信息，构建微生物-疾病关联矩阵；同时构建微生物综合相似性矩阵、微生物表征映射矩阵、疾病综合相似性矩阵、疾病表征映射矩阵； S2：基于、、和，应用多层次感知聚合策略MLPA，得到微生物跃层联动特征矩阵和疾病跃层联动特征矩阵； S3：基于，应用双驱关联增强策略DDAES缓解关联矩阵数据稀疏问题，得到增强的微生物-疾病关联矩阵； S4：利用、、，构建微生物-疾病异构图的邻接矩阵和初始特征矩阵，通过深度分层图混合学习器DHGHL对微生物和疾病的特征进行深度学习和动态聚合，得到微生物聚合联动特征矩阵和疾病聚合联动特征矩阵； S5：基于、、、，对微生物和疾病的关联进行重构预测，得到重构预测矩阵并输出最终微生物与疾病之间的关联概率； 所述S4的具体步骤如下： S41：基于、、，构建微生物-疾病异构图的邻接矩阵和初始特征矩阵； S42：基于和，应用深度分层图混合学习器DHGHL，得到微生物聚合联动特征矩阵和疾病聚合联动特征矩阵； 所述S42的具体步骤如下： S421：基于和，在DHGHL的第一层，使用图卷积网络GCN得到第一层协同表示矩阵； S422：基于和，在DHGHL的第二层，使用图卷积网络GCN得到第二层协同表示矩阵； S423：基于和，在DHGHL的第三层应用双层特征动态融合策略DL-FDFS，得到第三层协同表示矩阵； S424：基于和，在DHGHL的第四层，应用增强型双通路图注意力网络E-DPGAT进一步保留原始特征与探索高阶结构信息，得到微生物聚合联动特征矩阵和疾病聚合联动特征矩阵； 所述S424的具体步骤如下： S4241：基于，构建每个节点的直接邻居节点集合和间接邻居节点集合； S4242：基于集合和，计算每个节点及其直接邻居节点之间的注意力系数，然后进行归一化得到； S4243：根据归一化得到的注意力系数加权聚合直接邻居特征，得到直接邻居聚合特征向量； S4244：基于节点自身特征向量和直接邻居聚合特征向量，构建节点第一通路特征向量； S4245：基于集合和，计算每个节点及其间接邻居节点之间的注意力系数，然后进行归一化得到； S4246：根据归一化得到的注意力系数加权聚合间接邻居特征，得到间接邻居聚合特征向量； S4247：基于节点自身特征向量和间接邻居聚合特征向量，构建节点第二通路特征向量； S4248：基于和，构建对于任意节点的第四层协同表示特征向量； S4249：基于，构建微生物聚合联动特征矩阵和疾病聚合联动特征矩阵。

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广东工业大学，其通讯地址为：510000 广东省广州市东风东路729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。