一种基于HGT和随机自编码器的环状RNA-药物关联预测方法

一种基于hgt和随机自编码器的环状rna-药物关联预测方法
技术领域
1.本发明涉及药物关联预测技术领域，特别涉及一种基于hgt和随机自编码器的环状rna-药物关联预测方法。


背景技术：

2.circrna是一种新型的非编码rna分子，具有独特的结构和生物学功能，已被证明在基因表达、细胞增殖、凋亡、代谢调节、免疫反应等方面起着重要作用。近年来，越来越多的研究表明circrna可以显著影响细胞对药物的敏感性。但还没有一种很好的关联预测方法对其进行预测，无法更深入地理解药物机制，从而开发更有效的治疗方法，并为开发药物靶标、预防和治疗疾病提供新的思路。


技术实现要素：

3.为了至少解决或部分解决上述问题，提供一种基于hgt和随机自编码器的环状rna-药物关联预测方法。
4.为了达到上述目的，本发明提供了如下的技术方案：
5.本发明一种基于hgt和随机自编码器的环状rna-药物关联预测方法，包括以下步骤：
6.a、随机生成c和d两个向量分别表示circrna和药物的编码，然后将它们分别输入到全连接层中进行编码，作为自编码器的一部分；
7.b、将交互运算符的权重矩阵参数化为三个部分：源节点的投影、边缘的投影和目标节点的投影；然后，通过对每个边缘计算头注意力得分来计算源节点和目标节点之间的互注意力；
8.c、将信息从源节点传递到目标节点；同时将元边缘关系整合到消息传递过程中；
9.d、构建基于节点和边缘元关系的多层hgt模型，将每轮hgt操作的输出编码串联起来作为最终编码，得到新的circrna-药物敏感性关联矩阵。
10.作为本发明的一种优选技术方案，所述步骤b中，将交互运算符的权重矩阵参数化为三个部分的步骤包括：
11.首先，在第i个注意力att-headi(d,e,c)中，我们通过一个线性投影将源节点投影成第-th个key向量:其中表示注意力头的数量，表示每个注意力头向量的维数；
12.计算查询向量和键向量之间的相似度；
13.将每个注意力头的加权值连接起来形成每个节点对的单个注意力向量；然后，汇集邻居节点的注意力向量，并应用另一个基于边界的softmax函数归一化它们的值，确保它们总和为1:
14.作为本发明的一种优选技术方案，所述步骤c中，将信息从源节点传递到目标节点的步骤包括：
15.为了获取第i-th个消息头msg_headi(d,e,c)，第一步是将类型为τ(d)的源节点通
过一个线性投影投影为第-th个消息向量使用一个矩阵来考虑边缘依赖关系。最后，汇集所有消息头来计算每对节点的hgt消息；
16.使用这些注意力向量作为权重，来获取来自源节点的相应消息的加权平均；
17.将目标节点的向量映射回其由节点类型τ(c)索引的相应类型特定分布；得到了目标节点的第-th个hgt层输出h
(l)
[c]。
[0018]
作为本发明的一种优选技术方案，所述将目标节点的向量映射回其由节点类型τ(c)索引的相应类型特定分布的步骤包括将更新的向量a_linear
τ(c)
应用于线性投影，然后使用残差连接h
(l)
[c]：
[0019][0020]
作为本发明的一种优选技术方案，所述步骤d中，基于节点和边缘元关系的多层hgt模型；其公式如下：
[0021]h(l)
(c),h
(l)
(d)＝hgt
(l)
[h
(l-1)
(c),h
(l-1)
(d),e,e
t
]
[0022]
其中，hgt
(l)
表示hgt的第l层，是边的特征矩阵；对源节点执行与之前相同的操作；将编码矩阵嵌入hgt分层图变换器框架中，并进行了四轮hgt操作以输出特征编码。
[0023]
作为本发明的一种优选技术方案，所述每轮hgt操作的输出编码串联起来作为最终编码，其公式如下：
[0024][0025][0026]
其中h
out
[c
·
]和h
out
[d
·
]分别表示最终的circrna和药物特征编码；通过乘法对编码矩阵进行解码，以预测新的circrna-药物敏感性关联矩阵，最终预测得分计算如下：
[0027][0028]
其中，表示circrna和药物之间的最终预测关联矩阵。
[0029]
与现有技术相比，本发明的有益效果如下：
[0030]
本发明提出了一种基于异质图变换器(hgt)的新型计算框架raemhgt，能够更准确地预测circrna和药物敏感性之间的关联。实验结果表明，该方法优于现有方法，并且在实际情况下也具有很好的预测效果。
附图说明
[0031]
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
[0032]
图1显示了将所有节点的特征维度标准化为256，各种随机向量维度的评估指数分数；
[0033]
图2为将隐藏通道的数量设置为512时，各种随机向量维度的评估指数分数；
[0034]
图3当多头注意力机制的头数达到4时，各种随机向量维度的评估指数分数。
[0035]
图4显示当变化层数达到4时，各种随机向量维度的评估指数分数。
具体实施方式
[0036]
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
[0037]
此外，如果已知技术的详细描述对于示出本发明的特征是不必要的，则将其省略。
[0038]
实施例1
[0039]
本发明提供一种基于hgt和随机自编码器的环状rna-药物关联预测方法，包括以下步骤：
[0040]
a、随机生成c和d两个向量分别表示circrna和药物的编码，然后将它们分别输入到全连接层中进行编码，作为自编码器的一部分；
[0041]
b、将交互运算符的权重矩阵参数化为三个部分：源节点的投影、边缘的投影和目标节点的投影；然后，通过对每个边缘计算头注意力得分来计算源节点和目标节点之间的互注意力；
[0042]
c、将信息从源节点传递到目标节点；同时将元边缘关系整合到消息传递过程中；
[0043]
d、构建基于节点和边缘元关系的多层hgt模型，将每轮hgt操作的输出编码串联起来作为最终编码，得到新的circrna-药物敏感性关联矩阵。
[0044]
具体的，随机自编码：首先随机生成c和d两个向量分别表示circrna和药物的编码，然后将它们分别输入到全连接层中进行编码，作为自编码器的一部分。嵌入过程定义如下：
[0045]cex
＝em(cr)
[0046]dex
＝em(dr)
[0047]
符号表示在全连接层中进行自编码的过程，其中cr和dr分别表示circrna和药物相似性向量的随机生成向量，c
em
和d
em
分别表示最终的嵌入表示。完成上述步骤后，我们获得输入向量。
[0048]
异构图变换器(hgt)
[0049]
hgt(异构图转换器)的关键思想是使用元关系来捕捉从源节点到目标节点的信息。异构图转换器通常用于处理包含不同特征节点和边缘的图。这些特征因其所表示的特定节点或边缘类型而在维度上存在差异。hgt的整个架构由三个主要组件组成：异构互注意力，异构消息传递和目标特定聚合。其中目标节点(gnn中的一个节点)由源节点(gnn中的另一个节点)连接。首先，我们需要计算源节点和目标节点之间的互注意力。以下是注意力图神经网络(gnns)的简要介绍。
[0050][0051]
其中，表示目标节点的邻居，表示从源节点到目标节点的所有边缘。符号表示hgt的层。在基于注意力的gnns中，三个基本运算符是注意力、消息和聚合。注意力估计了每个源节点与给定目标节点之间的重要性；消息提取了源节点的消息；聚合使用注意力系数作为权重来聚合邻居信息。
[0052]
和gat相比，异构互注意力机制可以计算目标节点与其所有邻居之间的相互注意
力，而这些相互注意力可能存在不同的分布。这个计算是基于它们的元关系，即三元组的。这个机制将目标节点转换成查询向量，并将源节点分别转换为键向量。然后我们可以计算它们的点积作为注意力得分。
[0053]
传统transformer和我们提出的方法之间的主要差异在于每种元关系使用不同的投影权重集。前者为所有单词使用单一集合的投影，后者需要差异化的权重矩阵来保持关系的独特特性。为了在保留关系特定属性的同时优化参数共享，我们将交互运算符的权重矩阵参数化为三个部分：源节点的投影、边缘的投影和目标节点的投影。然后，我们通过对每个边缘计算头注意力得分来进行操作。
[0054][0055][0056]ki
(d)＝k_linear
iτ(d)
(h
(l-1)
[d]),(6)
[0057]
qi(c)＝q_linear
iτ(c)
(h
(l-1)
[d]),(7)
[0058]
首先，在第i个注意力att-headi(d,e,c)中，我们通过一个线性投影将源节点投影成第-th个key向量:，其中表示注意力头的数量，表示每个注意力头向量的维数。需要注意的是，是根据源节点类型组织的，这保证了每种类型的节点都有一个独特的线性投影，可以有效地捕捉分布差异。同样地，对于目标节点，我们利用一个线性投影将其投影到第-th个query向量。
[0059]
下一步是计算查询向量和键向量之间的相似度。异构图的一个显著特点是对于给定的节点类型对，可以存在多种类型的边(关系)，例如和。与常规transformer计算查询和键向量的点积不同，我们为每种类型的边界利用单独的基于边界的矩阵。这使我们能够更有效地建模节点之间不同类型的关系。此外，由于并非所有关系对于目标节点的影响相同，我们还引入一个先验张量来表示每个元关系三元组的总体重要性。这个先验张量作为自适应缩放因子用于注意力计算，从而实现更有效和更高效的学习。
[0060]
最后，我们将每个注意力头的加权值连接起来形成每个节点对的单个注意力向量。然后，我们汇集邻居节点的注意力向量，并应用另一个基于边界的softmax函数归一化它们的值，确保它们总和为
[0061][0062]
除了计算相互注意力之外，我们还将信息从源节点传递到目标节点。为了解决不同类型的节点和边缘分布变化的问题，我们旨在将元边缘关系整合到消息传递过程中。这使我们能够更好地捕捉节点和边缘之间更微妙的相关性，从而提高传播算法的整体效果。对于一对节点e(d,c)，多头消息计算如下：
[0063][0064][0065]
[0066]
为了获取第i-th个消息头msg_headi(d,e,c)，第一步是将类型为τ(d)的源节点通过一个线性投影投影为第-th个消息向量接下来，我们使用一个矩阵来考虑边缘依赖关系。最后，我们汇集所有消息头来计算每对节点的hgt消息。
[0067]
在计算消息并使用异构多头注意力后，我们需要将它们从源节点汇总到目标节点。由于在等式4中使用的softmax函数确保每个目标节点的注意力向量之和等于一，因此我们可以直接使用这些注意力向量作为权重，来获取来自源节点的相应消息的加权平均。这将导致目标节点的更新向量：
[0068][0069]
该聚合过程使我们能够将来自具有不同特征分布的所有邻居节点的信息合并，并更新目标节点。
[0070]
我们方法的最后一步涉及将目标节点的向量映射回其由节点类型τ(c)索引的相应类型特定分布。这是通过一系列步骤实现的，包括将更新的向量a_linear
τ(c)
应用于线性投影，然后使用残差连接h
(l)
[c]
[0071][0072]
执行上述步骤后，我们得到了目标节点的第-th个hgt层输出h
(l)
[c]。通过将这些块堆叠起来形成多层，hgt能够为每个节点生成高度情境化的表示h
(l)
[c]，从而使其能够在异构网络中有效地执行各种下游任务，如节点分类和链接预测。实际图形的小世界特性进一步增强了hgt的性能，使每个节点能够接触到全图中大部分的节点。
[0073]
多层异构图转换器
[0074]
多层异构图转换器是一个图神经网络模型，由多层hgt网络组成，利用自注意机制来捕捉多层次和多维节点特征和信息。该模型能够有效地学习异构图中节点的表示，并已广泛应用于推荐系统、社交网络分析和知识图等各个领域。为了更好地捕捉信息，我们提出了一个基于节点和边缘元关系的多层hgt模型。其公式如下：
[0075][0076]
其中，hgt
(l)
表示hgt的第l层，是边的特征矩阵。我们对源节点执行与之前相同的操作。我们将编码矩阵嵌入hgt(分层图变换器)框架中，并进行了四轮hgt操作以输出特征编码。
[0077]
内积解码器
[0078]
为了获取更好的结果，我们将每轮hgt操作的输出编码串联起来作为最终编码。
[0079][0080][0081]
其中h
out
[c
·
]和h
out
[d
·
]分别表示最终的circrna和药物特征编码。最后，我们通过乘法对编码矩阵进行解码，以预测新的circrna-药物敏感性关联矩阵，最终预测得分计算如下：
[0082][0083]
其中，表示circrna和药物之间的最终预测关联矩阵。最终，我们成功地使用带有随机自编码的多层异构图转换器对circrna-药物敏感性进行了预测。
[0084]
结果
[0085]
评价指标
[0086]
为了评估所提出的raemhgt模型的性能，我们在基准数据集上进行了5折交叉验证(5-cv)和10折交叉验证(10-cv)实验。对于5折实验，我们随机生成了与正样本数量相同的负circrna-药物敏感性对，并将它们分成五个大小相等的子集。每个子集依次用作测试集，另外四个子集用于训练。这个过程重复五次以确保可靠的结果。10折实验使用相同的方法进行。此外，我们使用七个指标评估模型性能：接收器操作特性曲线下面积(auc)、精度-召回曲线下面积(aupr)、准确率、精确度、召回率、f1-得分和特异度，这些指标由式(17-21)定义。
[0087][0088][0089][0090][0091][0092]
在5-cv和10-cv实验中，我们将我们的模型与七种基于单独测试的最先进方法进行比较，包括mngacda、gatecda、minimda、lagcn、mmgcn、ganlda和crpgcn。
[0093]-mngacda通过使用circrna和药物的信息源构建多模态网络，然后使用注意力图自编码器获取低维嵌入，将其与内部积解码器一起用于预测circrna和药物之间的关联分数。
[0094]-gatecda使用基于图注意力的自编码器来预测circrna和药物之间的关联。
[0095]-minimda是一种基于图神经网络(gcn)的方法，用于在多模态网络中预测mirna和疾病之间的关联。该方法将mirna和疾病的高阶邻域信息整合起来，以提高预测性能。
[0096]-agcn利用异构网络整合已知的药物-疾病关联、药物-药物相似度和疾病-疾病相似度。它应用图卷积运算来预测药物-疾病关联。
[0097]-mmgcn是一种使用多视图、多通道注意力图卷积网络来预测潜在的mirna-疾病关联的方法。
[0098]-ganlda是一种计算模型，采用图注意力网络(gat)进行端到端的lncrna和疾病关联预测。
[0099]-crpgcn是一种新的算法，利用通过随机游走和主成分分析构建的图卷积网络
(gcn)来预测circrna和疾病之间的关联。
[0100]
为评估预测性能，我们在数据集上进行了5倍和10倍交叉验证实验。所有方法在相同的实验条件下与研究的推荐最佳参数进行比较。在表1中，我们可以看到5-cv实验结果的比较。auc结果表明，raemhgt的性能明显优于其他方法，比其他方法分别高出2.90％(mngacda)、5.98％(gatecda)、9.83％(minimda)、10.53％(lagcn)、7.28％(mmgcn)、10.41％(ganlda)、10.80％(crpgcn)。此外，raemhgt的aupr平均值为0.9361，比其他方法分别高出1.65％(mngacda)、5.00％(gatecda)、9.69％(minimda)、10.42％(lagcn)、8.04％(mmgcn)、10.55％(ganlda)、7.80％(crpgcn)。表1还展示了各种绩效指标如f1-score、准确率、召回率、特异度和精确度的结果。在这些指标中，raemhgt分别获得了0.8724、0.8689、0.8982、0.8393和0.8489的最高分数。
[0101]
对于10-cv实验，如表2所示，raemhgt的auc值获得了平均值为0.9325的auc值，比其他方法分别高出1.56％(mngacda)、4.38％(gatecda)、7.05％(minimda)、8.85％(lagcn)、5.82％(mmgcn)、8.14％(ganlda)、10.04％(crpgcn)。此外，raemhgt的aupr平均值为0.9272，比其他方法分别高出0.25％(mngacda)、2.77％(gatecda)、6.27％(minimda)、8.44％(lagcn)、6.43％(mmgcn)、7.28％(ganlda)、9.07％(crpgcn)。表2还展示了各种绩效指标如f1-score、准确率、召回率、特异度和精确度的结果。在这些指标中，raemhgt分别获得了0.866、0.8608、0.9024、0.8189和0.8331的最高分数。实验数据表明，raemhgt目前是最佳的方法。
[0102]
tabel1 5-cv
[0103]
[0104]
[0105][0106]
参数敏感性分析
[0107]
所提出的raemhgt模型包含许多超参数，选择不同的值可能会对模型性能产生重大影响。因此，我们在基准数据集上进行5-cv实验，分析某些参数对预测结果的影响并比较评估指标。
[0108]
随机向量维度。随机向量维度的大小对信息提取和模型性能有影响。图1显示了各种随机向量维度的评估指数分数。为确保模型的预测性能和特征信息的质量，我们将所有节点的特征维度标准化为256。
[0109]
隐藏通道数。我们调查了不同的隐藏通道对模型性能的影响。根据图2显示的结果，在将隐藏通道的数量设置为512时，auc、aupr、acc、f1-score的最高性能分数均获得了最佳表现。
[0110]
多头注意力机制的头数。raemhgt利用多头注意力机制增强其表示学习能力。如图3所示，当多头注意力机制的头数达到4时，我们获得了最佳的性能表现。
[0111]
hgt层数。我们分析了变化层数的效果。图4显示当层数达到4时获得了最佳性能。
[0112]
基于以上实验，我们设置了随机向量维度为256，隐藏通道为512，多头注意力机制的头数为4，层数为4，以获得最佳性能。
[0113]
消融实验
[0114]
我们所提出的模型reamhgt由三个关键模块组成：随机编码、多层hgt框架和拼接
解码。我们单独移除mngacda的每个组件，并在基准数据集上进行了5倍交叉验证实验，以研究其对预测性能的影响。我们测试和比较了以下四种模型：
[0115]
raemhgt-us模型：我们评估了mhgt-sim、mhgt-asso(统称为raemhgt-us)和raemhgt在不同嵌入维度下的预测性能。具体而言，mhgt-sim仅基于相似性网络学习circrna和药物的嵌入，而mhgt-asso仅使用circrna-drug关联网络进行训练。
[0116]
raemhgt-gcn模型：为了进一步证明mhgt模块可以帮助我们学习节点特征中的复杂关系，我们保留了随机编码和拼接解码，并替换了mhgt模块为gcn。
[0117]
raemhgt-hnn模型：hnn使用异构注意力机制学习不同类型节点的特征，并建模它们的复杂关系。raemhgt-hnn模型同样保留了随机编码和解码模块，并用简单的hnn骨干替换了mhgt框架。
[0118]
raemhgt-fnn模型：我们保留了随机编码模块和mhgt框架，用全连接层解码替换了拼接解码模块。
[0119]
raemhgt-fout模型：该模型保留了随机编码模块和mhgt框架，并将hgt的最后一层作为最终解码向量。
[0120]
raemght模型：raemhgt是一个基于异构图变换器(hgt)的计算框架，利用自编码器、注意力机制和多轮输出编码来预测circrna和药物敏感性之间的关联。
[0121]
就roc、prc、准确率和f1-score值而言，raemhgt始终优于raem-us(指raemhgt-asso和raemhgt-sim)。实验表明，使用随机生成的向量增强了自编码器的鲁棒性，提高了模型的稳定性和泛化能力。此外，在处理异构图数据时，raemhgt比raemhgt-gcn和raemhgt-han表现更好。原因是raemhgt在transformer模型中引入了自注意机制，更好地捕捉节点之间的复杂依赖关系。相比之下，raemhgt-gcn只能考虑同构关系，而raemhgt-han只能在两层图之间建立注意力链接，难以有效处理多层异构图。应当注意的是，raemhgt-han比raemhgt-gcn更加灵活和准确，并且表现比raemhgt-gcn更好。此外，在解码过程中，使用连接编码的raemght通常比使用全连接层解码的raemhgt-fnn和将最后一层hgt作为最终解码矩阵的raemhgt-fout更适合。
[0122]
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于hgt和随机自编码器的环状rna-药物关联预测方法，其特征在于，包括以下步骤：a、随机生成c和d两个向量分别表示circrna和药物的编码，然后将它们分别输入到全连接层中进行编码，作为自编码器的一部分；b、将交互运算符的权重矩阵参数化为三个部分：源节点的投影、边缘的投影和目标节点的投影；然后，通过对每个边缘计算头注意力得分来计算源节点和目标节点之间的互注意力；c、将信息从源节点传递到目标节点；同时将元边缘关系整合到消息传递过程中；d、构建基于节点和边缘元关系的多层hgt模型，将每轮hgt操作的输出编码串联起来作为最终编码，得到新的circrna-药物敏感性关联矩阵。2.根据权利要求1所述的一种基于hgt和随机自编码器的环状rna-药物关联预测方法，其特征在于，所述步骤b中，将交互运算符的权重矩阵参数化为三个部分的步骤包括：首先，在第i个注意力att-head
i
(d,e,c)中，我们通过一个线性投影将源节点投影成第-th个key向量:其中表示注意力头的数量，表示每个注意力头向量的维数；计算查询向量和键向量之间的相似度；将每个注意力头的加权值连接起来形成每个节点对的单个注意力向量；然后，汇集邻居节点的注意力向量，并应用另一个基于边界的softmax函数归一化它们的值，确保它们总和为3.根据权利要求1所述的一种基于hgt和随机自编码器的环状rna-药物关联预测方法，其特征在于，所述步骤c中，将信息从源节点传递到目标节点的步骤包括：为了获取第i-th个消息头msg_head
i
(d,e,c)，第一步是将类型为τ(d)的源节点通过一个线性投影投影为第-th个消息向量使用一个矩阵来考虑边缘依赖关系。最后，汇集所有消息头来计算每对节点的hgt消息；使用这些注意力向量作为权重，来获取来自源节点的相应消息的加权平均；将目标节点的向量映射回其由节点类型τ(c)索引的相应类型特定分布；得到了目标节点的第-th个hgt层输出h
(l)
[c]。4.根据权利要求3所述的一种基于hgt和随机自编码器的环状rna-药物关联预测方法，其特征在于，所述将目标节点的向量映射回其由节点类型τ(c)索引的相应类型特定分布的步骤包括将更新的向量a_linear
τ(c)
应用于线性投影，然后使用残差连接h
(l)
[c]：5.根据权利要求1所述的一种基于hgt和随机自编码器的环状rna-药物关联预测方法，其特征在于，所述步骤d中，基于节点和边缘元关系的多层hgt模型；其公式如下：h
(l)
(c),h
(l)
(d)＝hgt
(l)
[h
(l-1)
(c),h
(l-1)
(d),e,e
t
]其中，hgt
(l)
表示hgt的第l层，是边的特征矩阵；对源节点执行与之前相同的操作；将编码矩阵嵌入hgt分层图变换器框架中，并进行了四轮hgt操作以输出特征编码。
6.根据权利要求1所述的一种基于hgt和随机自编码器的环状rna-药物关联预测方法，其特征在于，所述每轮hgt操作的输出编码串联起来作为最终编码，其公式如下：其公式如下：其中h
out
[c
·
]和h
out
[d
·
]分别表示最终的circrna和药物特征编码；通过乘法对编码矩阵进行解码，以预测新的circrna-药物敏感性关联矩阵，最终预测得分计算如下：其中，表示circrna和药物之间的最终预测关联矩阵。

技术总结
本发明公开了一种基于HGT和随机自编码器的环状RNA-药物关联预测方法，包括以下步骤：A、随机生成C和D两个向量分别表示circRNA和药物的编码，然后将它们分别输入到全连接层中进行编码，作为自编码器的一部分；B、将交互运算符的权重矩阵参数化为三个部分：源节点的投影、边缘的投影和目标节点的投影；然后，通过对每个边缘计算头注意力得分来计算源节点和目标节点之间的互注意力；C、将信息从源节点传递到目标节点；同时将元边缘关系整合到消息传递过程中；D、构建基于节点和边缘元关系的多层HGT模型，将每轮HGT操作的输出编码串联起来作为最终编码，得到新的circRNA-药物敏感性关联矩阵。本发明能够更准确地预测circRNA和药物敏感性之间的关联。敏感性之间的关联。敏感性之间的关联。


技术研发人员：刘银博 闫晓迪 文戬 曾欣 朱浩然 祝小雷
受保护的技术使用者：安徽农业大学
技术研发日：2023.06.16
技术公布日：2023/9/13