论文部分内容阅读
全基因组关联研究的主要目标是识别与常见复杂疾病有关的单核苷酸多态性,其中传统的研究使用单位点统计测试来识别位点与疾病的关联性,然而,常见复杂疾病被认为是多个遗传因子和它们的交互作用导致的。在边缘效应很弱的情况下,现有的一些致病位点识别方法的识别效果很差,并且,这些方法识别交互作用变异需要遍历所有的位点组合,这将造成很大的计算负担。随机森林是一种机器学习方法,可以用来识别致病SNP位点,它使用自助采样方法产生多个数据集,对每个数据集用决策树进行训练,决策树可以选用CART,随机森林能够计算变量重要性值对遗传因子进行排名,变量重要性值包括基尼重要性值和置换重要性值。研究表明随机森林在识别致病位点上是一种很有效的方法,随机森林能够在高维数据下很好地捕捉到边缘效应,但是不能很有效地识别交互作用效应,随着遗传变异数目的减少,随机森林识别交互作用的能力逐渐增强。Relief是另外一种有效的特征过滤方法,可以通过权重来对特征进行排名,ReliefF是对Relief方法的改进,将最近邻的个数从1个增加到k个。最大假设间隔理论已经证明了ReliefF的有效性,并且产生了一些类似ReliefF的特征排名方法。ReliefF主要用来检测有很强的交互作用的致病位点,但是ReliefF具有对噪声敏感的缺点。本文针对全基因组单核苷酸多态性致病位点的分析和识别进行了研究,取得的创新性成果如下:1.为了提高检测位点交互作用的能力,本文提出了一种结合随机森林和ReliefF的后向缩减排序方法。该方法通过后向缩减的方法来迭代去除排名靠后的SNP位点,每次迭代时,先用ReliefF方法进行排名,对排名末尾的一定比例的位点使用随机森林进行排名,然后过滤掉随机森林排名末尾的一些位点,这种迭代方式能够使交互作用的位点被ReliefF先筛选出来,然后用随机森林将边缘效应高的位点筛选出来,最后过滤掉剩下的位点。2.本文通过研究随机森林基尼重要性值与ReliefF权重的关系,发现它们的权重更新公式中包含类似因子,类似线性回归中弹性网的L2范式和L1范式,本文依据该关系提出了另一种结合随机森林和ReliefF的弹性网方法,该方法同样使用了后向缩减的方法,每次迭代时将随机森林和ReliefF得到的权重进行加权平均,利用该加权值对位点进行排名,去掉排名末尾的位点。通过大量模拟数据和真实数据的实验验证,表明所提出的两种方法在识别致病位点上比随机森林和ReliefF更优越,是一种识别常见复杂疾病致病SNP位点的实用方法。