[發(fā)明專利]一種基于時(shí)序稀疏回歸及加性模型影像相關(guān)性檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202011642586.3
• 申請(qǐng)日: 2020-12-31
• 公開(kāi)（公告）號(hào): CN112614129B
• 公開(kāi)（公告）日: 2023-08-18
• 發(fā)明（設(shè)計(jì)）人: 黃美燕;馮前進(jìn);陳秀美
• 申請(qǐng)（專利權(quán)）人: 南方醫(yī)科大學(xué)
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06T7/11;G06T5/00;G16B20/20;G06T9/00
• 代理公司: 北京科億知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11350
• 代理人: 趙蕊紅

一種基于時(shí)序稀疏回歸及加性模型影像相關(guān)性檢測(cè)方法,包括4個(gè)步驟步驟。本發(fā)明通過(guò)上述4個(gè)步驟得到多個(gè)關(guān)于時(shí)間表型平滑函數(shù)及ROI的權(quán)重，從而通過(guò)多個(gè)SNP對(duì)表型的貢獻(xiàn)描述特定區(qū)域得到大腦區(qū)域時(shí)間進(jìn)展軌跡以及表型的區(qū)域差異的相關(guān)性。通過(guò)最小均方根誤差RMSE作為特定大腦區(qū)域退變進(jìn)展軌跡與模型是否匹配評(píng)價(jià)指標(biāo)，本發(fā)明的RMSE為0.15，而現(xiàn)在技術(shù)模型基于時(shí)序稀疏加性模型的RMSE為1.14，稀疏加性模型的RMSE和組稀疏加性模型的RMSE都為1.33，因此本發(fā)明的效果更優(yōu)。

技術(shù)領(lǐng)域

本發(fā)明涉基于遺傳變量組結(jié)構(gòu)信息以其隨時(shí)間變化的遺傳效應(yīng)技術(shù)領(lǐng)域，特別涉及一種基于時(shí)序稀疏回歸及加性模型影像相關(guān)性檢測(cè)方法。

背景技術(shù)

基于時(shí)序稀疏加性模型(TV-GroupSpAM)的影像遺傳學(xué)研究是考慮縱向數(shù)據(jù)的應(yīng)用，并且考慮基因數(shù)據(jù)隨時(shí)間變化的遺傳效應(yīng)，將基因數(shù)據(jù)與單個(gè)影像表型數(shù)據(jù)進(jìn)行關(guān)聯(lián)分析，檢測(cè)遺傳性神經(jīng)變化的重要生物標(biāo)記物。而且基因數(shù)據(jù)之間存在一種結(jié)構(gòu)關(guān)聯(lián)，而且多個(gè)表型數(shù)據(jù)在神經(jīng)變化進(jìn)程中會(huì)起到不同的作用。因此通過(guò)考慮這些信息可提高檢測(cè)重要生物標(biāo)記物的準(zhǔn)確性和可靠性并且可檢測(cè)相關(guān)表型。

TV-GroupSpAM方法是基于時(shí)序的影像基因關(guān)聯(lián)分析方法，將基因數(shù)據(jù)的遺傳效應(yīng)映射為平滑函數(shù)，即這種分析方法不需要先驗(yàn)知識(shí)來(lái)選擇候選基因型，能夠減少過(guò)擬合現(xiàn)象以及檢測(cè)相關(guān)基因準(zhǔn)確性較好。考慮了三種基因型對(duì)性狀有不同的影響，那么基因(SNP)與表型(腦區(qū))的關(guān)聯(lián)則存在。

然而在TV-GroupSpAM研究中存在著一些問(wèn)題，第一，單個(gè)SNP對(duì)表型的貢獻(xiàn)作為一個(gè)時(shí)間的平滑函數(shù)，這個(gè)表型為非參數(shù)平滑函數(shù)之和(時(shí)序SNP效應(yīng))，只能應(yīng)用于單個(gè)表型而忽略了多個(gè)表型的潛在信息。第二，由于不同的成像表型在神經(jīng)退變進(jìn)展過(guò)程中扮演不同的角色，通過(guò)多個(gè)時(shí)間點(diǎn)，影像表型描述了這個(gè)特定大腦區(qū)域退變進(jìn)展軌跡，以及表型的區(qū)域差異。該研究方法忽略了這個(gè)重要信息。第三，一個(gè)基因的某些SNP通過(guò)不同的途徑自然連接，共同執(zhí)行遺傳功能。此外，連鎖不平衡(LD)描述不同位點(diǎn)等位基因之間的非隨機(jī)關(guān)聯(lián)，高LD的SNP在減數(shù)分裂中通過(guò)這種關(guān)聯(lián)連接在一起，共同執(zhí)行遺傳功能(Wang,H.,etal.Identifying?quantitative?trait?loci?via?group-sparse?multitask?regressionand?feature?selection:an?imaging?genetics?study?of?the?ADNIcohort.Bioinformatics?2012b；28(2):229-237.)。

因此，針對(duì)現(xiàn)有技術(shù)不足，提供一種基于時(shí)序稀疏回歸及加性模型影像相關(guān)性檢測(cè)方法以解決現(xiàn)有技術(shù)不足甚為必要。

發(fā)明內(nèi)容

本發(fā)明其中一個(gè)的目的在于避免現(xiàn)有技術(shù)的不足之處而提供一種基于時(shí)序稀疏回歸及加性模型影像相關(guān)性檢測(cè)方法。該基于時(shí)序稀疏回歸及加性模型影像相關(guān)檢測(cè)方法能得到SNP對(duì)表型與平滑函數(shù)之間的關(guān)系。

本發(fā)明的上述目的通過(guò)以下技術(shù)措施實(shí)現(xiàn)：

提供一種基于時(shí)序稀疏回歸及加性模型影像相關(guān)性檢測(cè)方法,包括步驟有：

步驟一、收集多個(gè)對(duì)像大腦區(qū)域在不同時(shí)間點(diǎn)的MRI圖像及對(duì)像對(duì)應(yīng)的基因數(shù)據(jù)；

步驟二、分別對(duì)MRI圖像進(jìn)行預(yù)處理得到處理后MRI圖像,對(duì)基因數(shù)據(jù)進(jìn)行質(zhì)量控制及篩選得到處理后基因數(shù)據(jù)；

步驟三、將處理后基因數(shù)據(jù)和處理后MRI圖像代入基于時(shí)序組稀疏回歸與加性模型的目標(biāo)函數(shù)；

步驟四、通過(guò)交替凸搜索法求解目標(biāo)函數(shù),得到SNP對(duì)表型關(guān)于時(shí)間的平滑函數(shù)和ROI的權(quán)重。

優(yōu)選的，上述步驟二具體步驟為：

步驟2.1、分別對(duì)MRI圖像進(jìn)行預(yù)處理得到處理后MRI圖像；

步驟2.2、對(duì)基因數(shù)據(jù)進(jìn)行質(zhì)量控制得到預(yù)處理基因數(shù)據(jù)；