[發明專利]一種結合隨機森林和Relief-F的全基因組SNP位點分析方法

有效

• 申請號: 201410765415.8
• 申請日: 2014-12-11
• 公開（公告）號: CN104462868A
• 公開（公告）日: 2015-03-25
• 發明（設計）人: 楊利英;黎成;殷黎洋;張軍英;袁細國
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06F19/18
• 分類號: G06F19/18
• 代理公司: 北京科億知識產權代理事務所(普通合伙) 11350
• 代理人: 湯東鳳

1.一種結合隨機森林和Relief-F的全基因組SNP位點分析方法，其特征在于，所述方法包括如下步驟：

S1、對樣本數據進行預處理：如果樣本數據是AA這種堿基對形式，則對每個SNP位點進行編碼，編碼成最小等位基因的個數；如果最小等位基因為a，那么基因型AA、Aa、aa分別編碼成0、1、2，去掉最小等位基因頻率小于設定值的SNP位點；

S2、設單核苷酸多態SNP的個數為m，設置進入下一階段處理的SNP個數的上限為L_u；若m<＝L_u，則直接執行步驟S3，若m>L_u，則對每個SNP位點x_j(j＝1,2,...,m)與樣本類別變量y建立廣義線性模型以評估單個SNP的作用，建立的廣義線性模型如下:

g(E(y|X))=β0+Σj=1mβjxj;]]>

其中g函數為logit函數，β為模型系數，樣本X＝(x₁,x₂,...,x_m)^T；

根據廣義線性模型建模的結果，通過對每個SNP位點對應的p值進行遞增排序，篩選得到前L_u個SNP位點構成集合S，所述p值是統計學假設檢驗方法得到的概率值，表示變量的顯著性；設置SNP位點個數m＝L_u并執行步驟S3；

S3、對SNP位點集合進行后向縮減，其中設置每次迭代時過濾SNP的比例為q，迭代次數為隨機森林排名的SNP位點個數和初始SNP位點總和的比例為r(r>q)，SNP位點的排名結果隊列記為SNPrank，初始化SNP位點個數為u＝m；單次迭代的過程如下：

3.1)利用Rel?ief-F方法對u個SNP位點進行權重排名，得到降序的u個SNP位點；

3.2)利用隨機森林方法對降序后的u個SNP位點中后面個SNP位點按照置換重要性值進行降序排名；

3.3)將排名末尾個SNP位點存到SNPrank隊列的頭部，并根據對u進行更新；

S4、將最后一次迭代后剩下的SNP位點集合添加到SNPrank隊列的頭部，這樣就得到了完整的SNP位點排名；

S5、取SNPrank前k個SNP位點為顯著SNP位點。

2.根據權利要求1所述的一種結合隨機森林和Rel?ief-F的全基因組SNP位點分析方法，其特征在于，步驟S1中所述設定值為0.05，即去掉最小等位基因頻率小于0.05的SNP位點。

3.根據權利要求1所述的一種結合隨機森林和Rel?ief-F的全基因組SNP位點分析方法，其特征在于，步驟3.1)具體實現過程為：

首先初始化每個SNP位點的權重為0，然后迭代n次，n設置為樣本數目，每次選擇一個樣本X，計算得到與這個樣本類別標簽一致的最近鄰樣本H，同時計算得到與這個樣本類別標簽不一樣的最近鄰樣本M，然后對每個位點g_i(i＝1,2,...,u)用如下公式更新權重：

W[g_i]＝W[g_i]-diff(g_i,X,H)/u+diff(g_i,X,M)/u；

其中diff函數表示兩個樣本在這個位點上的間距，如果樣本P的SNP位點g_i和樣本Q的SNP位點g_i的基因型相同，則diff(g_i,P,Q)＝1，否則為0。