基于隨機(jī)森林和ReliefF的致病SNP識(shí)別方法.pdf

1、全基因組關(guān)聯(lián)研究的主要目標(biāo)是識(shí)別與常見復(fù)雜疾病有關(guān)的單核苷酸多態(tài)性，其中傳統(tǒng)的研究使用單位點(diǎn)統(tǒng)計(jì)測(cè)試來識(shí)別位點(diǎn)與疾病的關(guān)聯(lián)性，然而，常見復(fù)雜疾病被認(rèn)為是多個(gè)遺傳因子和它們的交互作用導(dǎo)致的。在邊緣效應(yīng)很弱的情況下，現(xiàn)有的一些致病位點(diǎn)識(shí)別方法的識(shí)別效果很差，并且，這些方法識(shí)別交互作用變異需要遍歷所有的位點(diǎn)組合，這將造成很大的計(jì)算負(fù)擔(dān)。隨機(jī)森林是一種機(jī)器學(xué)習(xí)方法，可以用來識(shí)別致病SNP位點(diǎn)，它使用自助采樣方法產(chǎn)生多個(gè)數(shù)據(jù)集，對(duì)每個(gè)數(shù)據(jù)集用決策

2、樹進(jìn)行訓(xùn)練，決策樹可以選用CART，隨機(jī)森林能夠計(jì)算變量重要性值對(duì)遺傳因子進(jìn)行排名，變量重要性值包括基尼重要性值和置換重要性值。研究表明隨機(jī)森林在識(shí)別致病位點(diǎn)上是一種很有效的方法，隨機(jī)森林能夠在高維數(shù)據(jù)下很好地捕捉到邊緣效應(yīng)，但是不能很有效地識(shí)別交互作用效應(yīng)，隨著遺傳變異數(shù)目的減少，隨機(jī)森林識(shí)別交互作用的能力逐漸增強(qiáng)。Relief是另外一種有效的特征過濾方法，可以通過權(quán)重來對(duì)特征進(jìn)行排名，ReliefF是對(duì)Relief方法的改進(jìn)，將最近

3、鄰的個(gè)數(shù)從1個(gè)增加到 k個(gè)。最大假設(shè)間隔理論已經(jīng)證明了ReliefF的有效性，并且產(chǎn)生了一些類似 ReliefF的特征排名方法。ReliefF主要用來檢測(cè)有很強(qiáng)的交互作用的致病位點(diǎn)，但是ReliefF具有對(duì)噪聲敏感的缺點(diǎn)。本文針對(duì)全基因組單核苷酸多態(tài)性致病位點(diǎn)的分析和識(shí)別進(jìn)行了研究，取得的創(chuàng)新性成果如下：
　　1.為了提高檢測(cè)位點(diǎn)交互作用的能力，本文提出了一種結(jié)合隨機(jī)森林和ReliefF的后向縮減排序方法。該方法通過后向縮減的方法

4、來迭代去除排名靠后的SNP位點(diǎn)，每次迭代時(shí)，先用ReliefF方法進(jìn)行排名，對(duì)排名末尾的一定比例的位點(diǎn)使用隨機(jī)森林進(jìn)行排名，然后過濾掉隨機(jī)森林排名末尾的一些位點(diǎn)，這種迭代方式能夠使交互作用的位點(diǎn)被ReliefF先篩選出來，然后用隨機(jī)森林將邊緣效應(yīng)高的位點(diǎn)篩選出來，最后過濾掉剩下的位點(diǎn)。
　　2.本文通過研究隨機(jī)森林基尼重要性值與ReliefF權(quán)重的關(guān)系，發(fā)現(xiàn)它們的權(quán)重更新公式中包含類似因子，類似線性回歸中彈性網(wǎng)的L2范式和L1范式