[發(fā)明專利]一種結(jié)合隨機(jī)森林和Relief-F的全基因組SNP位點(diǎn)分析方法

有效

• 申請?zhí)枺?/td>: 201410765415.8
• 申請日: 2014-12-11
• 公開（公告）號: CN104462868A
• 公開（公告）日: 2015-03-25
• 發(fā)明（設(shè)計(jì)）人: 楊利英;黎成;殷黎洋;張軍英;袁細(xì)國
• 申請（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號: G06F19/18
• 分類號: G06F19/18
• 代理公司: 北京科億知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11350
• 代理人: 湯東鳳

技術(shù)領(lǐng)域

本發(fā)明屬于數(shù)據(jù)處理技術(shù)領(lǐng)域，基于全基因組單核苷酸多態(tài)性(SNP，Single?Nucleotide?Polymorphisms)數(shù)據(jù)進(jìn)行全基因組關(guān)聯(lián)研究，識別與疾病相關(guān)的SNP位點(diǎn)，可用于闡釋復(fù)雜疾病的致病機(jī)理、疾病風(fēng)險(xiǎn)預(yù)測以及生物藥物研制。

背景技術(shù)

生物信息學(xué)是一門生命科學(xué)和計(jì)算機(jī)科學(xué)相結(jié)合的新興學(xué)科，研究生物信息的采集、處理、存儲、傳播，分析和解釋等，通過綜合利用生物學(xué)、計(jì)算機(jī)科學(xué)和信息技術(shù)來揭示復(fù)雜的生物數(shù)據(jù)所蘊(yùn)藏的生物學(xué)奧秘。全基因組關(guān)聯(lián)研究(GWAS，Genome-Wide?Association?Studies)的基本原理是在同層人群中選擇滿足一定統(tǒng)計(jì)學(xué)數(shù)量的病例組和對照組樣本，比較全基因組范圍內(nèi)SNP位點(diǎn)在病例組和對照組中的頻率差異，若某個(gè)SNP位點(diǎn)在病例組中出現(xiàn)的頻率明顯高于或低于對照組，則認(rèn)為該SNP位點(diǎn)與復(fù)雜疾病存在著某種關(guān)聯(lián)。與復(fù)雜疾病相關(guān)的SNP位點(diǎn)的發(fā)現(xiàn)和識別對復(fù)雜疾病的致病機(jī)理研究、疾病風(fēng)險(xiǎn)預(yù)測和生物藥物研制等都有重要的意義。

當(dāng)前，通過GWAS已經(jīng)發(fā)現(xiàn)了很多與復(fù)雜疾病相關(guān)的SNP位點(diǎn)，但是發(fā)現(xiàn)的相關(guān)SNP位點(diǎn)中只有少數(shù)能夠增加復(fù)雜疾病的致病風(fēng)險(xiǎn)，而且還有一些已經(jīng)被生物實(shí)驗(yàn)證明的與復(fù)雜疾病相關(guān)的SNP位點(diǎn)沒有被GWAS識別出來。因此，還存在著大量未被發(fā)現(xiàn)的SNP。這種結(jié)果主要由如下兩方面的原因所造成：

(1)目前GWAS在建模時(shí)大多只考慮單個(gè)SNP位點(diǎn)與復(fù)雜疾病的關(guān)聯(lián)關(guān)系，忽略了SNP位點(diǎn)可以通過與其它SNP位點(diǎn)或環(huán)境因素共同作用影響復(fù)雜疾病的情況。

(2)罕見SNP位點(diǎn)的識別難度大，這類SNP位點(diǎn)在正常人群中出現(xiàn)的頻率在1％-5％之間，在樣本數(shù)量非常少的情況下很難通過GWAS直接識別出來。

為克服GWAS在與復(fù)雜疾病相關(guān)的SNP位點(diǎn)識別上的不足，研究人員開始關(guān)注SNP位點(diǎn)之間的交互作用，在方法層面上進(jìn)行了更加深入的研究，提出了許多方法。這些方法可概括為兩大類，即基于模型的方法和模型無關(guān)方法?；谀Ｐ偷姆椒A(yù)先在基因組和表現(xiàn)型之間定義一種統(tǒng)計(jì)模型，然后擬合數(shù)據(jù)到假設(shè)的模型，得到顯著的SNP位點(diǎn)，但是該類方法難以處理高維的GWAS數(shù)據(jù)，面臨著“維數(shù)災(zāi)難”問題。模型無關(guān)方法為了有效處理高維SNP數(shù)據(jù)，通常采用一些啟發(fā)式信息指導(dǎo)搜索，而不用提前對數(shù)據(jù)和模型作出假設(shè)，該類方法只是通過統(tǒng)計(jì)技術(shù)測試每個(gè)可能存在的交互作用的SNP組，但沒有某種單一的方法能準(zhǔn)確地找到大部分與復(fù)雜疾病相關(guān)的SNP位點(diǎn)。

上述兩類常用的方法中，有些只是識別單個(gè)SNP位點(diǎn)的增加復(fù)雜疾病致病風(fēng)險(xiǎn)作用，有些則側(cè)重于SNP位點(diǎn)間的交互作用，大多沒有根據(jù)疾病的復(fù)雜生物機(jī)理，綜合考慮兩者的共同作用。針對當(dāng)前研究存在的這一問題，本發(fā)明提出了一種結(jié)合隨機(jī)森林和Relief-F的全基因組SNP位點(diǎn)分析方法。隨機(jī)森林是一種集成學(xué)習(xí)方法，通過將多個(gè)決策樹進(jìn)行集成來完成模式識別的任務(wù)，其中決策樹屬性結(jié)點(diǎn)劃分的統(tǒng)計(jì)信息可用來進(jìn)行特征的重要性排名，如可用置換重要性或基尼(Gini)重要性對特征排序。用隨機(jī)森林對SNP高維數(shù)據(jù)集進(jìn)行處理時(shí)，在識別單個(gè)SNP位點(diǎn)上有突出的優(yōu)勢，但處理特征之間的交互作用有所欠缺。Relief-F方法利用假設(shè)間隔最大化理論進(jìn)行特征排序，可以用來對SNP位點(diǎn)進(jìn)行排名，該方法能夠很好地識別SNP位點(diǎn)的交互作用，但是易受噪聲數(shù)據(jù)的影響，對單個(gè)位點(diǎn)的識別作用不理想。本發(fā)明將隨機(jī)森林和Relief-F有機(jī)結(jié)合起來，發(fā)揮各自的優(yōu)勢，從而達(dá)到同時(shí)識別單個(gè)位點(diǎn)和多個(gè)位點(diǎn)交互作用的目的，提高與復(fù)雜疾病相關(guān)的SNP位點(diǎn)的識別能力。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)的不足，本發(fā)明旨在提出一種結(jié)合隨機(jī)森林和Relief-F的全基因組SNP位點(diǎn)分析方法，兼顧單個(gè)SNP位點(diǎn)的增加復(fù)雜疾病風(fēng)險(xiǎn)作用與多個(gè)SNP位點(diǎn)之間的交互作用，從方法層面保證了罕見與復(fù)雜疾病相關(guān)的SNP位點(diǎn)的識別效能，為疾病的生物學(xué)病理研究提供基礎(chǔ)。

為了實(shí)現(xiàn)上述目的，本發(fā)明采取如下技術(shù)方案：

一種結(jié)合隨機(jī)森林和Relief-F的全基因組SNP位點(diǎn)分析方法，包括如下步驟：

S1、對樣本數(shù)據(jù)進(jìn)行預(yù)處理：如果樣本數(shù)據(jù)是AA這種堿基對形式，則對每個(gè)SNP位點(diǎn)進(jìn)行編碼，編碼成最小等位基因的個(gè)數(shù)；如果最小等位基因?yàn)閍，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(shè)定值的SNP位點(diǎn)；