本申请涉及产品成分标示领域,具体涉及一种产品成分标识生成方法、装置、计算机设备和存储介质。该方法包括：确定待生成产品成分标识的目标产品；获取所述目标产品的产品成分信息,该产品成分信息包括多个产品成分项及各个产品成分项对应的成分比例信息；获取预设成分标识模板,预设成分标识模板包括多个标示区域；根据各个产品成分项对应的成分比例信息确定预设成分标识模板中的每个标示区域对应的产品成分项；将预设成分标识模板中的每个标示区域的标示样式,设置成与该标示区域对应的产品成分项所对应的预设标示样式,生成目标产品的产品成分标识。本发明实施例可更便捷地生成能直观标示出产品中各成分在产品中所占比例的产品成分标识。

本发明公开了一种基于局部和全局的网络中心性分析的癌症驱动基因预测方法,包括以下步骤：S1：对标准化的体细胞突变数据和基因表达数据进行预处理,表达成基因-矩阵的形式；S2：使用预处理完成的数据对下载的PPI网络加权；S3：模型构建,使用改进的重启随机游走算法分析网络的全局和局部特征；S4：使用构建好的模型对癌症数据集进行预测,以获取驱动基因的排名向量,实现对癌症驱动基因的预测。还公开了一种基于局部和全局的网络中心性分析的癌症驱动基因预测系统。本发明能够更好地识别驱动基因,大大提高对癌症驱动基因预测的精度,为癌症的诊断和精准医疗的发展做出了贡献。

一种基于TOPSIS种子扩张的增量式社团检测方法—TSEIA,对于动态网络的第一个快照,使用静态局部社团检测算法TSELA检测其社团结构；从第二个快照开始,首先检测当前快照的活跃顶点集。然后对活跃顶点集构建子图并使用静态局部社团检测算法TSELA提取子图的初始社团结构；此时,得到了包含网络所有顶点的活跃顶点子图上检测到的社团以及非活跃顶点所在社团；最终将可能同属一个社团的子社团进行合并,得到当前快照的最终社团结构。对每一快照重复执行上述操作,即可提取出随时间演化的动态网络中的所有社团结构。本发明能够解决全局方法因效率低无法适用于大规模网络的问题,同时能解决许多现有局部方法中存在的性能不稳定、检测结果质量不佳的问题。

本发明提出了一种自动化数据处理以及作图方法及系统,包括：步骤S1,采用计算机编程语言对数据的自动化处理预设逻辑,包括：(1)根据预设的CNV变异类型拆分数据；(2)获取注释文件,所述注释文件中记载有待处理的目标数据,对注释文件中目标数据的归一化值z得分大于第一预设值的绝对值,自定义致病性风险的变异；(3)获取注释文件,所述注释文件中记载有待处理的目标数据,对注释文件中目标数据的拷贝数CopyNum小于等于第二预设值,自定义致病性风险的变异；(4)删除预设列名的列；(5)根据染色体对文件进行拆分：为匹配R程序将重复变异类型和缺失变异类型分别按照染色体进行拆分,并分别命名；步骤S2,自动化绘制svg格式的矢量图和pdf图。