基于隨機(jī)森林和梯度提升模型的上位效應(yīng)檢測(cè)算法研究.pdf

1、過(guò)去十年中，全基因組關(guān)聯(lián)分析（GWAS）研究提高人們對(duì)疾病遺傳學(xué)的認(rèn)知和理解，對(duì)于發(fā)現(xiàn)基因型-表型關(guān)系起到關(guān)鍵作用。在GWAS分析中，遺傳學(xué)家依靠DNA多態(tài)性標(biāo)記來(lái)檢測(cè)這些關(guān)聯(lián)關(guān)系。單核苷酸多態(tài)性是其中最流行的一類遺傳標(biāo)記，可以用來(lái)挖掘疾病的致病原因和潛在的生物機(jī)理。迄今為止，大多數(shù)遺傳關(guān)聯(lián)研究使用單基因位點(diǎn)分析策略，其中每個(gè)基因變體單獨(dú)和特定的表型關(guān)聯(lián)測(cè)試。但是這種策略在復(fù)雜疾病中則表現(xiàn)不成功，例如高血壓、糖尿病和哮喘等，這是由于單位

2、點(diǎn)分析忽略上位效應(yīng)，有些位點(diǎn)僅能夠通過(guò)與其他基因的相互作用而影響疾病，而該基因位點(diǎn)的主效應(yīng)的影響非常小或者不存在，這一現(xiàn)象也被稱為“丟失的遺傳性”。研究表明，上位性是復(fù)雜的人類疾病病因中普遍存在的成分，在許多性狀的遺傳控制起到至關(guān)重要的作用。
　　隨著高通量測(cè)序技術(shù)的出現(xiàn)，使得研究人員能夠在全基因組范圍內(nèi)檢測(cè)上位效應(yīng)，能夠更好的揭露出復(fù)雜疾病潛在的遺傳機(jī)理。而在全基因組范圍檢測(cè)上位效應(yīng)所遭遇到的第一個(gè)困難和挑戰(zhàn)是計(jì)算負(fù)擔(dān)。在本文研

3、究中，提出一種基于混合隨機(jī)森林框架的預(yù)篩選模型，來(lái)選擇最佳候選集合，然后在候選集合中使用MDR算法來(lái)檢測(cè)上位效應(yīng)?；旌想S機(jī)森林模型能夠篩選出主效應(yīng)顯著的上位效應(yīng)模型和主效應(yīng)微弱而組合效應(yīng)顯著的純上位效應(yīng)。在相加模型、相乘模型、閾值模型和純上位模型四種類型的實(shí)驗(yàn)中驗(yàn)證了我們的算法，實(shí)驗(yàn)結(jié)果表明該算法具有一定的實(shí)際意義。
　　另外我們提出一種基于梯度提升模型的置換方法，用來(lái)檢測(cè)主效應(yīng)微弱的純上位效應(yīng)。所提出的置換梯度提升模型pGBM，

4、通過(guò)移除SNP相互作用對(duì)GBM模型分類器的影響，來(lái)檢測(cè)最有可能發(fā)生相互作用的SNP組合對(duì)。我們采用平均AUC差值來(lái)定義相互作用，進(jìn)而將模型應(yīng)用到非平衡數(shù)據(jù)集上。在實(shí)驗(yàn)驗(yàn)證中當(dāng)遺傳互質(zhì)性大于0.01的時(shí)候，該算法的檢測(cè)能力能夠達(dá)到百分之百，遺傳互質(zhì)性取值小于0.01的時(shí)候，其檢測(cè)能力也遠(yuǎn)高于pRF算法。同時(shí)采用CPU并行計(jì)算的思想，提升模型的運(yùn)算速度，進(jìn)而縮短計(jì)算時(shí)間。pGBM算法采用6個(gè)CPU并行計(jì)算時(shí)，要比pRF算法快4.78倍。這種