[发明专利]一种结合随机森林和Relief-F的全基因组SNP位点分析方法

摘要

本发明公开了一种结合随机森林和Relief-F的全基因组SNP位点分析方法，首先应用广义线性模型对SNP位点进行初步筛选，接着利用Relief-F处理SNP交互作用的能力，预先将存在交互作用的SNP位点排到队列前面，然后将队列后面的SNP位点利用随机森林进行排名，以识别单个SNP位点的边缘作用，这样得到一个SNP的排名队列，去掉排在队列末端的SNP位点之后，重新应用Relief-F和随机森林进行处理，如此迭代，最后得到SNP位点的排序结果。本发明综合考虑单个SNP位点的作用和位点之间的交互作用，能处理全基因组SNP数据，进而发现与复杂疾病相关的SNP位点，对复杂疾病的致病机理研究、疾病风险预测和生物药物研制等都有重要的意义。

主权项

一种结合随机森林和Relief‑F的全基因组SNP位点分析方法，其特征在于，所述方法包括如下步骤：S1、对样本数据进行预处理：如果样本数据是AA这种碱基对形式，则对每个SNP位点进行编码，编码成最小等位基因的个数；如果最小等位基因为a，那么基因型AA、Aa、aa分别编码成0、1、2，去掉最小等位基因频率小于设定值的SNP位点；S2、设单核苷酸多态SNP的个数为m，设置进入下一阶段处理的SNP个数的上限为L_u；若m<＝L_u，则直接执行步骤S3，若m>L_u，则对每个SNP位点x_j(j＝1,2,...,m)与样本类别变量y建立广义线性模型以评估单个SNP的作用，建立的广义线性模型如下:$g\left(E\left(y\right|X)\right)={\mathrm{\&beta;}}_0+{\mathrm{\&Sigma;}}_{j=1}^m{\mathrm{\&beta;}}_j{x}_j;$其中g函数为logit函数，β为模型系数，样本X＝(x₁,x₂,...,x_m)^T；根据广义线性模型建模的结果，通过对每个SNP位点对应的p值进行递增排序，筛选得到前L_u个SNP位点构成集合S，所述p值是统计学假设检验方法得到的概率值，表示变量的显著性；设置SNP位点个数m＝L_u并执行步骤S3；S3、对SNP位点集合进行后向缩减，其中设置每次迭代时过滤SNP的比例为q，迭代次数为随机森林排名的SNP位点个数和初始SNP位点总和的比例为r(r>q)，SNP位点的排名结果队列记为SNPrank，初始化SNP位点个数为u＝m；单次迭代的过程如下：3.1)利用Rel ief‑F方法对u个SNP位点进行权重排名，得到降序的u个SNP位点；3.2)利用随机森林方法对降序后的u个SNP位点中后面个SNP位点按照置换重要性值进行降序排名；3.3)将排名末尾个SNP位点存到SNPrank队列的头部，并根据对u进行更新；S4、将最后一次迭代后剩下的SNP位点集合添加到SNPrank队列的头部，这样就得到了完整的SNP位点排名；S5、取SNPrank前k个SNP位点为显著SNP位点。