本文關(guān)鍵詞：基于多目標(biāo)蟻群優(yōu)化算法的全基因組關(guān)聯(lián)分析研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：全基因組關(guān)聯(lián)分析(Genome-Wide Association Studies,GWAS)的目的是在整個基因組范圍內(nèi)尋找與表型相關(guān)的易感基因位點變異。近年來,在全基因組關(guān)聯(lián)分析領(lǐng)域涌現(xiàn)了大量的基因及其交互作用檢測算法,盡管這些算法在領(lǐng)域內(nèi)取得了巨大的成功,但當(dāng)前依然存在著一些難題。一方面,目前在全基因組關(guān)聯(lián)分析領(lǐng)域已經(jīng)提出的方法在不同的疾病模型上表現(xiàn)差異很大,這可能是因為現(xiàn)有研究方法都是基于單個模型建模而復(fù)雜疾病模型各異,所以通常單目標(biāo)建模方法不能很好的擬合數(shù)據(jù),會導(dǎo)致低精度,高假陽性率等各種情況。另一方面,與真實全基因數(shù)據(jù)的高維特性相比,很多現(xiàn)有方法僅適用于低維度,不能拓展到高維數(shù)據(jù)上,這也限制了其的使用范圍。針對以上問題,本文提出構(gòu)建一個基于蟻群優(yōu)化的多目標(biāo)優(yōu)化算法。本文的創(chuàng)新性主要體現(xiàn)在以下兩方面:在全基因組關(guān)聯(lián)分析領(lǐng)域第一次提出了多目標(biāo)啟發(fā)式優(yōu)化方法,用以解決全基因組關(guān)聯(lián)分析的第一個難題。在算法中,本文結(jié)合了來自對立統(tǒng)計學(xué)派的邏輯斯蒂回歸和貝葉斯網(wǎng)絡(luò)模型,并分別選用了對應(yīng)的AIC準(zhǔn)則和K2準(zhǔn)則評價所建模型。實驗中證明,兩種評價準(zhǔn)則有互補(bǔ)效應(yīng),使得算法相比于其他算法能夠取得更高的準(zhǔn)確率,更低的假陽性率。為了解決全基因組關(guān)聯(lián)數(shù)據(jù)高維特點帶來的空間和時間復(fù)雜度問題,本文運用蟻群智能優(yōu)化算法為基礎(chǔ)設(shè)計了一個封裝式的特征選擇算法,可以直接在高維全基因數(shù)據(jù)上運用,得以解決全基因組關(guān)聯(lián)分析的第二大難題。在實驗室中本文運用軟件生成了多種疾病模型下的虛擬數(shù)據(jù)集,并且在一個真實數(shù)據(jù)集上驗證了算法的有效性。
【關(guān)鍵詞】：單核苷酸多態(tài)性 上位性 全基因組關(guān)聯(lián)分析 多目標(biāo)優(yōu)化 蟻群優(yōu)化
【學(xué)位授予單位】：上海交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：Q811.4;TP18
【目錄】：

• 摘要3-5
• ABSTRACT5-9
• 第一章 緒論9-22
• 1.1 研究背景和意義9-14
• 1.2 研究現(xiàn)狀及挑戰(zhàn)14-19
• 1.2.1 GWAS領(lǐng)域算法概述14-18
• 1.2.2 GWAS領(lǐng)域特征選擇方法概述18-19
• 1.3 研究內(nèi)容和創(chuàng)新19-20
• 1.4 論文組織20-22
• 第二章 GWAS基礎(chǔ)概念及實驗數(shù)據(jù)集22-30
• 2.1 GWAS基礎(chǔ)概念22-25
• 2.2 實驗所用虛擬數(shù)據(jù)集25-28
• 2.3 真實全基因組關(guān)聯(lián)分析數(shù)據(jù)集28
• 2.4 本章小結(jié)28-30
• 第三章 窮舉多目標(biāo)優(yōu)化算法及其在GWAS上的應(yīng)用30-43
• 3.1 邏輯斯蒂回歸30-33
• 3.1.1 邏輯斯蒂回歸基本原理30-32
• 3.1.2 邏輯斯蒂回歸在GWAS上的應(yīng)用32-33
• 3.2 貝葉斯網(wǎng)絡(luò)33-36
• 3.2.1 貝葉斯網(wǎng)絡(luò)基本原理33-34
• 3.2.2 貝葉斯網(wǎng)絡(luò)在GWAS上的應(yīng)用34-36
• 3.3 帕累托優(yōu)化36-39
• 3.3.1 帕累托優(yōu)化基本原理36-38
• 3.3.2 帕累托優(yōu)化在GWAS上的應(yīng)用38-39
• 3.4 基于虛擬數(shù)據(jù)集的實驗評價準(zhǔn)則、結(jié)果及分析39-42
• 3.4.1 窮盡型多目標(biāo)法及評價準(zhǔn)則39-40
• 3.4.2 實驗結(jié)果及分析40-42
• 3.5 本章小結(jié)42-43
• 第四章 基于蟻群優(yōu)化的多目標(biāo)優(yōu)化算法及其在GWAS上的應(yīng)用43-61
• 4.1 蟻群優(yōu)化44-49
• 4.1.1 蟻群優(yōu)化算法生物學(xué)背景44-46
• 4.1.2 蟻群算法及其在GWAS上的應(yīng)用46-49
• 4.2 皮爾遜卡方檢驗49-50
• 4.3 基于蟻群優(yōu)化算法的多目標(biāo)優(yōu)化算法50-52
• 4.4 基于虛擬數(shù)據(jù)集的實驗評價準(zhǔn)則、結(jié)果及分析52-59
• 4.4.1 實驗評價準(zhǔn)則52-54
• 4.4.2 虛擬數(shù)據(jù)集上的結(jié)果及分析54-59
• 4.5 基于真實數(shù)據(jù)集的實驗結(jié)果及分析59-60
• 4.6 本章小結(jié)60-61
• 第五章 總結(jié)與展望61-63
• 5.1 總結(jié)61-62
• 5.2 展望62-63
• 參考文獻(xiàn)63-69
• 附錄 實驗結(jié)果數(shù)據(jù)69-76
• 致謝76-77
• 攻讀碩士學(xué)位期間已發(fā)表或錄用的論文77-79

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前1條

1 權(quán)晟;張學(xué)軍;;全基因組關(guān)聯(lián)研究的深度分析策略[J];遺傳;2011年02期

  本文關(guān)鍵詞：基于多目標(biāo)蟻群優(yōu)化算法的全基因組關(guān)聯(lián)分析研究，由筆耕文化傳播整理發(fā)布。

本文編號：317888