[发明专利]一种基于深度学习算法进行基因关联分析的方法

摘要

本发明公开了一种基于深度学习算法进行基因关联分析的方法。本发明基于SNP集分析的方法需要借鉴来自同一个体不同位置但是相关的SNP信息，根据现有生物学知识将个体的SNP分成多个单元。首先在整个染色体层面，根据生物学相关知识，如接近基因组特征的原则，将全体SNP划分成多个SNP集。划分结束后，每一个SNP集输入到搭建的双向LSTM网络中，该网络是一个循环神经网络，它的状态包含上一时刻的陈旧信息，同时又是下一时刻权值变化的依据。LSTM网络学习完成后，可以通过网络的计算，输出对输入数据所需关注程度。本发明具有更好的敏感度和特异度，为临床医学、遗传病学和预防医学的发展研究开拓了新的领域。

主权项

一种基于深度学习算法进行基因关联分析的方法，其特征在于包括如下步骤：步骤1：根据现有生物学知识，在染色体层面按照基因分布进行分割，根据基因存在位置获得SNP的有效位置区间信息，以待后续分割SNP；步骤2：假设基于以人群的病例病情对照,采用n个独立个体的基因序列，在染色体层面上对SNP进行翻译，获得所需输入数据；步骤3：根据步骤1中获得的位置信息，将步骤2中获得的SNP序列根据有效位置区间信息对SNP进行分组，分成多个SNP集；步骤4：对于任意一个给定的SNP集，均包含有k个个体，每个个体有p个SNP，令第i个个体的SNP为Zi1,Zi2,Zi3,……Zip，i≤k；忽略基因的一般性原则，将每个SNP编码成trinary fashion形式，根据等位基因的影响，对序列中的纯合子、杂合子Zij进行赋值，其中Zij＝0，1，2；病例控制状态设为Y，第i个个体记作Yi，其中Yi＝1为Case，Yi＝0为Control；使用SNP集作为x输入，病例控制状态设为Y输入；步骤5：搭建双向LSTM模型；使用双向LSTM的结构的目的是为了增加一个记忆存储单元，用于存储信息，它的状态包含上一时刻的陈旧信息，同时又是下一时刻权值变化的依据，能够更好地挖掘数据中更深层面的内容，由以下的函数复合得到：it＝σ(Wxixt+Whiht‑1+Wcict‑1+bi)ft＝σ(Wxfxt+Whfht‑1+Wcfct‑1+bf)ct＝ftct‑1+ittanh(Wxcxt+Whcht‑1+bc)ot＝σ(Wxoxt+Whoht‑1+Wcoct+bo)ht＝ottanh(ct)公式中，Wxi为输入序列x与输入门之间的权值，Whi为隐藏层与输入门之间的权值；Wci为激活载体与输入门之间的权值，bi为输入门为t时的偏差值；Wxf为输入序列x与遗忘门之间的权值，Whf为隐藏层与遗忘门之间的权值，Wcf为激活载体与遗忘门之间的权值，bf为遗忘门为t时的偏差值；Wxc为输入序列x与激活载体之间的权值，Whc为隐藏层与激活载体之间的权值，bc为激活载体为t时的偏差值；Wxo为输入序列x与输出门之间的权值，Who为隐藏层与输出门之间的权值；Wco为激活载体与输出门之间的权值，bo为输出门为t时的偏差值；ht为t时刻的隐藏层；上述式子中σ是逻辑sigmoid函数，sigmoid(x)函数为：i，f，o，c分别为输入门、遗忘门、输出门和激活载体，其中i，f，o，c与h具有相同的维度，便于后续的矩阵计算，因此需要与隐藏向量h具有相同的大小；双向LSTM在水平的上具有相反的方向，通过堆叠放置中间的隐藏层，能够根据上一个隐藏层的输出，形成下一个隐藏层的输入；定义h0＝x,输出为yyt=WhNyhtN+by]]>假设其中用于隐藏层的层数为N，则隐藏层代表的向量hn通过n＝1～N,t＝1～T进行迭代计算获得；其中前馈网络隐藏序列为反馈网络隐藏序列为yt=Wh→yht→+Wh←yht←+by]]>使用上述步骤中的SNP集作为X输入，病例控制状态设为Y输入；步骤6：按照步骤1中处理序列的方法，对待预测的基因序列进行处理，并将处理完的基因序列输入训练好的双向LSTM模型，从而得出该待预测的基因序列获病的概率。