原创力文档- 1、本文档内容版权归属内容提供方，所产生的收益全部归内容提供方所有。如果您对本文有版权争议，可选择认领，认领后既往收益都归您。。
- 2、本文档由用户上传，本站不保证质量和数量令人满意，可能有诸多瑕疵，付费之前，请仔细先通过免费阅读内容等途径辨别内容交易风险。如存在严重挂羊头卖狗肉之情形，可联系本站下载客服投诉处理。
- 3、文档侵权举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
本发明公开了一种基于图深度学习的空间转录组学中空间域识别方法，主要解决现有空间域识别技术存在运行时间长，内存消耗大，数据适应性差的问题。其实现方案是：对获取的空间转录组数据中的基因表达数据进行预处理和数据增强；根据预处理后的数据和空间坐标信息矩阵构建增强邻接图；建立一个包括图注意力网络和多层感知器网络组成的特征提取模型；通过掩码损失训练该模型，生成每个像素点的低维嵌入表示；对所有低维嵌入表示进行聚类得到空间域。本发明在缺少组织学图像信息的情况下，避免了获得组织学图像所付出的高额成本，及输入组织学
(19)国家知识产权局
(12)发明专利申请
(10)申请公布号CN117708628A
(43)申请公布日2024.03.15
(21)申请号202311673334.0G16B25/00(2019.01)
文档评论（0）