基于人工蜂群優(yōu)化貝葉斯網絡的上位性挖掘方法研究
發(fā)布時間：2021-04-12 08:53
全基因組關聯分析方法作為目前常用的檢測影響表型性狀的基因位點的方法,可用于分析復雜疾病中的相關遺傳機制。但該方法主要側重于主效基因的檢測,忽略了基因與基因之間的相互作用,即上位性。貝葉斯網絡在因果關系構建方面具有獨特的優(yōu)勢,目前已被廣泛地用于上位性挖掘研究。然而貝葉斯網絡往往進行局部或者隨機搜索,導致容易陷入局部最優(yōu),且存在學習效率低、無法處理大規(guī)模節(jié)點等問題。為了解決上述問題,本文提出了一種基于人工蜂群優(yōu)化貝葉斯網絡的上位性挖掘方法,包括以下3個方面的研究內容:（1）為了提高人工蜂群優(yōu)化貝葉斯網絡上位性挖掘算法中初始網絡的質量,在基于約束的貝葉斯網絡結構學習方法Fast-IAMB的基礎上,設計了omb-Fast算法。在該算法中的馬爾科夫毯擴張階段,重點考慮表型性狀對基因位點的影響。根據表型性狀與SNP節(jié)點之間的條件互信息值判斷是否將該SNP節(jié)點加入馬爾科夫毯中。使得馬爾科夫毯能夠更加準確地反映出上位性基因位點與表型性狀間的關系,從而利用該方法快速準確地生成包括SNP位點和表型性狀的初始網絡。（2）為了解決貝葉斯網絡容易陷入局部最優(yōu),進而影響網絡構建和上位性挖掘準確性的問題。本文將人工...
【文章來源】：華中農業(yè)大學湖北省 211工程院校 教育部直屬院校
【文章頁數】：81 頁
【學位級別】：碩士
【部分圖文】：
上位性數據格式表示
華中農業(yè)大學2020屆碩士研究生學位論文362F1-score1/Precision1/Recall=+(34)如Eq.(34)所示，F1-score由精確率和召回率求得，考慮到精確率和召回率兩個標準，是評判預測結果好壞的綜合指標。F1-score得分越高，說明預測結果的精確率和召回率越好，預測結果中包含的錯誤關聯位點數越少，結果越可靠。4.2.3二節(jié)點模擬數據結果與分析通過GAMETES模擬數據軟件生成了17組DNME模型二節(jié)點強關聯數據（見附表1）。本實驗比較分析了BEAM,AntEpiSeeker,BOOST,ESMO,omb-Fast以及BnBeeEpi在17組模擬數據集下的效率、準確率、F1-score以及假陽性率。如下圖10所示，利用柱形圖對以上六種上位性挖掘方法的準確率進行比較。圖10上位性2位點模型不同方法的準確率比較Fig.102-locusepistasisdetectionaccuracycomparisonofdifferentmethods
基于人工蜂群優(yōu)化貝葉斯網絡的上位性挖掘方法研究37圖10上位性2位點模型不同方法的準確率比較（續(xù)圖）Fig.102-locusepistasisdetectionaccuracycomparisonofdifferentmethods如圖10所示，通過柱形圖直觀地比較了六種上位性挖掘方法在二節(jié)點強關聯數據集上的準確率。BEAM算法作為經典的貝葉斯方法，在本次實驗中參數均為默認設置，BEAM算法的閾值參數默認設置為0.3。雖然該閾值范圍從統計學意義上來說已經很大了，但是從圖10可見BEAM算法表現并不好。經過分析發(fā)現，該算法具有一定的隨機性，導致準確率降低。BnBeeEpi與其他四種上位性挖掘算法在檢測準確性上表現優(yōu)異。其原因是模擬數據的致病模型相比真實數據而言較為簡單，并且遺傳率的大小控制在[0.05,0.4]區(qū)間內，遺傳效應顯著，因此以上算法容易挖掘出強關聯位點。如下圖11所示，利用柱形圖對六種上位性挖掘方法的F1-score進行比較。
【參考文獻】：
期刊論文
[1]遺傳風險評分在復雜疾病遺傳學研究中的應用[J]. 牛大彥,嚴衛(wèi)麗. 遺傳. 2015(12)
[2]單核苷酸多態(tài)性檢測方法研究進展[J]. 常培葉,趙平. 中國老年學雜志. 2015(16)
[3]基于改進粒子群優(yōu)化算法的貝葉斯網絡結構學習[J]. 江浩,江兵. 聊城大學學報(自然科學版). 2015(01)
[4]基于人工蜂群算法的貝葉斯網絡結構學習[J]. 張平,劉三陽,朱明敏. 智能系統學報. 2014(03)
[5]全基因組關聯研究中的交互作用研究現狀[J]. 李放歌,王志鵬,戶國,李輝. 遺傳. 2011(09)
[6]全基因組關聯分析的進展與反思[J]. 凃欣,石立松,汪樊,王擎. 生理科學進展. 2010(02)
[7]混合優(yōu)化的貝葉斯網絡結構學習[J]. 許麗佳,黃建國,王厚軍,龍兵. 計算機輔助設計與圖形學學報. 2009(05)
博士論文
[1]全基因組單核苷酸多態(tài)性交互作用研究[D]. 尚軍亮.西安電子科技大學 2013
[2]面向基因表達數據的致病基因挖掘方法研究[D]. 張煥萍.南京航空航天大學 2009
碩士論文
[1]基于多目標蟻群優(yōu)化算法的全基因組關聯分析研究[D]. 景鵬杰.上海交通大學 2015
本文編號：3133018
【文章來源】：華中農業(yè)大學湖北省 211工程院校 教育部直屬院校
【文章頁數】：81 頁
【學位級別】：碩士
【部分圖文】：
上位性數據格式表示
華中農業(yè)大學2020屆碩士研究生學位論文362F1-score1/Precision1/Recall=+(34)如Eq.(34)所示，F1-score由精確率和召回率求得，考慮到精確率和召回率兩個標準，是評判預測結果好壞的綜合指標。F1-score得分越高，說明預測結果的精確率和召回率越好，預測結果中包含的錯誤關聯位點數越少，結果越可靠。4.2.3二節(jié)點模擬數據結果與分析通過GAMETES模擬數據軟件生成了17組DNME模型二節(jié)點強關聯數據（見附表1）。本實驗比較分析了BEAM,AntEpiSeeker,BOOST,ESMO,omb-Fast以及BnBeeEpi在17組模擬數據集下的效率、準確率、F1-score以及假陽性率。如下圖10所示，利用柱形圖對以上六種上位性挖掘方法的準確率進行比較。圖10上位性2位點模型不同方法的準確率比較Fig.102-locusepistasisdetectionaccuracycomparisonofdifferentmethods
基于人工蜂群優(yōu)化貝葉斯網絡的上位性挖掘方法研究37圖10上位性2位點模型不同方法的準確率比較（續(xù)圖）Fig.102-locusepistasisdetectionaccuracycomparisonofdifferentmethods如圖10所示，通過柱形圖直觀地比較了六種上位性挖掘方法在二節(jié)點強關聯數據集上的準確率。BEAM算法作為經典的貝葉斯方法，在本次實驗中參數均為默認設置，BEAM算法的閾值參數默認設置為0.3。雖然該閾值范圍從統計學意義上來說已經很大了，但是從圖10可見BEAM算法表現并不好。經過分析發(fā)現，該算法具有一定的隨機性，導致準確率降低。BnBeeEpi與其他四種上位性挖掘算法在檢測準確性上表現優(yōu)異。其原因是模擬數據的致病模型相比真實數據而言較為簡單，并且遺傳率的大小控制在[0.05,0.4]區(qū)間內，遺傳效應顯著，因此以上算法容易挖掘出強關聯位點。如下圖11所示，利用柱形圖對六種上位性挖掘方法的F1-score進行比較。
【參考文獻】：
期刊論文
[1]遺傳風險評分在復雜疾病遺傳學研究中的應用[J]. 牛大彥,嚴衛(wèi)麗. 遺傳. 2015(12)
[2]單核苷酸多態(tài)性檢測方法研究進展[J]. 常培葉,趙平. 中國老年學雜志. 2015(16)
[3]基于改進粒子群優(yōu)化算法的貝葉斯網絡結構學習[J]. 江浩,江兵. 聊城大學學報(自然科學版). 2015(01)
[4]基于人工蜂群算法的貝葉斯網絡結構學習[J]. 張平,劉三陽,朱明敏. 智能系統學報. 2014(03)
[5]全基因組關聯研究中的交互作用研究現狀[J]. 李放歌,王志鵬,戶國,李輝. 遺傳. 2011(09)
[6]全基因組關聯分析的進展與反思[J]. 凃欣,石立松,汪樊,王擎. 生理科學進展. 2010(02)
[7]混合優(yōu)化的貝葉斯網絡結構學習[J]. 許麗佳,黃建國,王厚軍,龍兵. 計算機輔助設計與圖形學學報. 2009(05)
博士論文
[1]全基因組單核苷酸多態(tài)性交互作用研究[D]. 尚軍亮.西安電子科技大學 2013
[2]面向基因表達數據的致病基因挖掘方法研究[D]. 張煥萍.南京航空航天大學 2009
碩士論文
[1]基于多目標蟻群優(yōu)化算法的全基因組關聯分析研究[D]. 景鵬杰.上海交通大學 2015
本文編號：3133018
本文鏈接：http://sikaile.net/kejilunwen/yysx/3133018.html
