基于隨機森林和ReliefF的致病SNP識別方法.pdf

1、全基因組關聯(lián)研究的主要目標是識別與常見復雜疾病有關的單核苷酸多態(tài)性，其中傳統(tǒng)的研究使用單位點統(tǒng)計測試來識別位點與疾病的關聯(lián)性，然而，常見復雜疾病被認為是多個遺傳因子和它們的交互作用導致的。在邊緣效應很弱的情況下，現(xiàn)有的一些致病位點識別方法的識別效果很差，并且，這些方法識別交互作用變異需要遍歷所有的位點組合，這將造成很大的計算負擔。隨機森林是一種機器學習方法，可以用來識別致病SNP位點，它使用自助采樣方法產生多個數(shù)據(jù)集，對每個數(shù)據(jù)集用決策

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

3、鄰的個數(shù)從1個增加到 k個。最大假設間隔理論已經(jīng)證明了ReliefF的有效性，并且產生了一些類似 ReliefF的特征排名方法。ReliefF主要用來檢測有很強的交互作用的致病位點，但是ReliefF具有對噪聲敏感的缺點。本文針對全基因組單核苷酸多態(tài)性致病位點的分析和識別進行了研究，取得的創(chuàng)新性成果如下：
　　1.為了提高檢測位點交互作用的能力，本文提出了一種結合隨機森林和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，每次迭代時，先用ReliefF方法進行排名，對排名末尾的一定比例的位點使用隨機森林進行排名，然后過濾掉隨機森林排名末尾的一些位點，這種迭代方式能夠使交互作用的位點被ReliefF先篩選出來，然后用隨機森林將邊緣效應高的位點篩選出來，最后過濾掉剩下的位點。
　　2.本文通過研究隨機森林基尼重要性值與ReliefF權重的關系，發(fā)現(xiàn)它們的權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