【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果。然而，较低的灵活性和学习能力暴露了其在处理大规模和复杂的任务时面临的困难。
3、近年，神经网络成为热门，人工神经网络具有强大的学习能力，在面对复杂多变的问题时，展现了其能够自主思考的优越性。通过学习和训练，神经网络能够有效地从输入数据中提取关键特征和模式。这使得人工神经网络在图像识别、语音识别、自然语言处理、医学诊断等多个领域展现出卓越的能力。基于dna的人工神
4、dna链置换技术(dsdt)为dna计算提供了丰富而智能的工具。与其他dna自组装技术相比，dsdt具有独特的优势。根据沃森-克里克碱互补原理，dna链置换(dsd)可以在室温下自主反应，无需任何其他催化剂。此外，dsd可以动态地演示信息的交互过程，并且可以预测反应结果。与其他dna自组装技术相比，dsd更容易被程序使用。在dsd过程中，单链dna物种上的小支点域与双链dna物种上暴露的与其互补的小支点域进行配对结合，且二者的分支结构迁移域相匹配，则可以置换出一条新的dna单链并生成一条新的dna双链。一个自由的dna单链可以代表一个信号，通过dna链置换反应，通过互补的脚趾连接和分支迁移来取代另一个单链与双链的边界，可以轻易的获取新的信号。
技术实现思路
1、针对现有的dna逻辑电路在诊断癌症时具有较低的灵活性和学习能力的技术问题，本专利技术提出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，通过dna链置换反应构建出学习向量量化神经网络，然后将其应用在女性乳腺肿瘤的良恶性诊断中，并通过visual dsd软件进行结果验证，结果表明，可以成功的完成了女性乳腺肿瘤的良恶性诊断实验，且正确率达94％。
2、为了达到上述目的，本专利技术的技术方案是这样实现的：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，其步骤如下：
3、步骤一，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，并分别对照于dna链置换反应；
4、步骤二，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，并确定功能模块的化学反应；
5、步骤三，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，并确定各个dna链中结构域的碱基序列，使用visual dsd将所需的dna链编写出来并进行功能验证；
6、步骤四，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，编程到visual dsd中进行浓度设置，并进行功能验证；
7、步骤五，从乳腺癌数据库获取女性乳腺肿瘤病例，并进行预处理；
8、步骤六，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。
9、优选地，所述学习向量量化神经网络包括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”；
10、所述dna链置换的反应机制是基于小支点域的链置换反应，单链dna物种上的小支点域与双链dna物种上暴露的互补的小支点域进行配对结合，置换出一条新的dna单链并生成一条新的dna双链；如果新生成的dna单链和dna双链上的小支点域依然互补，且小支点域上的分支结构迁移域相匹配，这个反应是可逆的dna链置换反应；dna链置换反应是自发的、动态的、可级联的可逆反应过程。
11、优选地，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；
12、所述输入激活模块的化学反应表达式为：
13、
14、其中，xi代表激活因子，xfi代表燃料链，cij*代表输入底物，wij*代表权重底物，cij代表被激活的输入，wij代表被激活的权重；
15、所述减法湮灭模块的化学反应表达式为：
16、
17、kf＞＞ks
18、其中，kf是减法湮灭反应的速率常数，ks是绝对值求和反应的速率常数，其中kf>>ks；sgij代表减法门，waste代表废物链；
19、所述绝对值求和模块的化学反应表达式为：
20、
21、其中，dj代表距离因子；
22、所述信号反转模块的化学反应表达式为：
23、dj+srgjk→sfjk
24、
25、其中，srgjk代表信号反转门，sfjk代表反转因子；
26、所述反转求和模块的化学反应表达式为：
27、sfjk+rsgk→sk
28、其中，rsgk代表反转求和门，sk代表反转信号；
29、所述湮灭模块的化学反应表达式为：
30、
31、
32、其中，kf是湮灭反应的速率常数，anhkj代表湮灭链；
33、所述报告求和模块的化学反应表达式为：
34、
35、其中，ks是报告求和反本文档来自技高网...
【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“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
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^...
【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：
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。