[發明專利]基因關聯分析的修正方法及修正裝置

在審

• 申請號: 201710667074.4
• 申請日: 2017-08-07
• 公開（公告）號: CN107526940A
• 公開（公告）日: 2017-12-29
• 發明（設計）人: 索津莉;鮑峰;戴瓊海
• 申請（專利權）人: 清華大學
• 主分類號: G06F19/18
• 分類號: G06F19/18;G06F19/24
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙)11201
• 代理人: 張潤

技術領域

本發明涉及大數據分析、精準醫療與基因工程技術領域，特別涉及一種基因關聯分析的修正方法及修正裝置。

背景技術

GWAS(Genome-wide association study，基因關聯分析)在揭示遺傳疾病的致病原理方面有著重要的意義。但是，現有的GWAS方法仍然存在很多缺失的因素來完整的解釋復雜遺傳疾病的致病原因，造成“缺失的遺傳性”現象。針對這個問題，相關技術中，許多方法從不同的角度提出可能存在的原因，來解釋缺失的致病機理。但是，在統計學與生物學兩個領域，目前的工作仍然無法給出一個完整的解釋方案。

發明內容

本申請是基于發明人對以下問題的認識和發現作出的：

考慮可能造成缺失遺傳性的一種新的致病機理，即采集數據時不同種類數據的比例差異。在針對某種疾病的傳統GWAS分析中，通常是對一定數量的健康個體以及患病個體的基因數據進行采集，然后進行統計分析。但是，如果要對某種特定的疾病進行分析，或者要對特定的種群進行研究的時候，很有可能采集不到足夠的患病人群樣本。因為健康人群容易尋找，但是患病人群具有特異性，如果分析的是一種罕見疾病的時候，那么本身滿足要求的個體數目就是非常有限的。

當收集不到足夠的致病人群數據時，傳統的邏輯斯特回歸(Logistic regression)加卡方檢驗方法會發生嚴重的統計偏差。這是因為在邏輯斯特回歸的參數求解過程中，每一個樣本都會對統計誤差有一個相同重要性的貢獻衡量，無論其是患病個體還是健康個體。當收集的數據中患病人群的數目遠遠小于健康人群數目時，患病人群整體誤差會遠遠小于健康人群所造成的誤差，從而導致對邏輯斯特回歸的求解過程更加偏向于減少健康人群的誤差，而相對忽視患病人群的誤差，從而包含在患病人群中的致病信息一并被忽視掉，造成了GWAS方法對于疾病發現性能的降低。

在機器學習領域，對于這種正負樣本不平衡數據的研究主要集中在對數據進行分類領域。通常來說，這類方法利用的是上采樣技術來額外生成患病樣本的合成數據，來人工制造一個相對平衡的數據集。但是這種方法很難應用到現有的GWAS分析框架中去，主要存在兩個限制：首先現有方法考慮的是如何提高對不同類型的分類能力，而GWAS考慮的是如何發現更顯著的位點。本質上，這是兩個不同類型的問題。第二個是現有的方法是在傳統的正交歐式空間中建模，但是在真實的基因數據中，信息是以序列的形式進行編碼的。因而，內在的基因結構需要在分析中進行明確的建模。

本發明旨在至少在一定程度上解決相關技術中的技術問題之一。

為此，本發明的一個目的在于提出一種基因關聯分析的修正方法，該方法可以提高修正的適用性和準確性，簡單易實現。

本發明的另一個目的在于提出一種基因關聯分析的修正裝置。

為達到上述目的，本發明一方面實施例提出了一種基因關聯分析的修正方法，包括以下步驟：獲取序列步驟：根據訓練的隱馬爾科夫模型學到的生成概率分布獲取新的樣本的基因序列；生成樣本步驟：根據所述新的樣本的基因序列生成新的樣本；標簽賦值步驟：對所述新的樣本進行標簽賦值，其中，將所述新的樣本與預設的患病以及健康的樣本進行比對，以確定所屬類別并放棄或者保留；似然比檢驗步驟：重復執行所述獲取序列步驟、生成樣本步驟和所述標簽賦值步驟，以得到滿足預設條件的多個樣本，并獲取新的數據集，以進行基于回歸方程的似然比檢驗。

本發明實施例的基因關聯分析的修正方法，專門針對基因關聯分析中存在的數據樣本補平衡問題設計，可以利用概率生成模型，對已有數據的基因結構進行建模學習，獲得數據內在的信息與統計結構，然后有針對性的生成新的樣本，考慮整體的數據結構關系，賦給每個樣本的標簽類別，保持了原有數據中內在的基因信息，同時不違背原有的統計檢驗框架，從而原有的統計檢驗方法也可以直接使用，提高修正的適用性和準確性，簡單易實現。

另外，根據本發明上述實施例的基因關聯分析的修正方法還可以具有以下附加的技術特征：

進一步地，在本發明的一個實施例中，所述訓練的隱馬爾科夫模型的訓練方法包括：檢測基因核苷酸多態性位點(SNP)s_i上游下游位置的L個SNP；根據所述L個SNP得到基因集合在所述基因集合上，通過隱馬爾科夫模型對序列進行建模，并通過訓練所述隱馬爾科夫模型到生成模型的參數集Θ，以得到所述訓練的隱馬爾科夫模型。