基于蚁群算法复杂疾病上位性分析方法,本论文主要论述了蚁群算法论文范文相关的参考文献,对您的论文写作有参考作用。
蚁群算法论文参考文献：
收稿日期：20130930
基金项目：湖南省科技计划资助项目（2014FJ3079）
作者简介：吴蓉晖（1967-）,女,河南太康人,湖南大学副教授,博士
通讯联系人,Email：55251983@qq.com
摘 要：针对全基因组规模的上位性分析中存在的问题,首先采用基于多准则融合的过滤法对大量变异位点进行筛选以过滤无关位点,并结合蚁群算法对变异位点进行上位性分析,从而进一步剔除冗余位点,最后采用支持向量机作为上位性和复杂疾病关系的分类模型.实验结果表明,先过滤再分类的策略,不仅大大降低了上位性时间复杂度,并且在分类准确度上也有一定程度提高.
关键词：复杂疾病；上位性；支持向量机
中图分类号：TP399文献标识码：A
An Epistasis Analysis Method of Complex
Diseases Based on Ant Colony Algorithm
WU Ronghui1, LU Youmin1,2
（1. College of Information Science and Engineering,Hunan Univ,Changsha,Hunan410082,China；
2. Dept of Computer Engineering,Huaihua Univ,Huaihua,Hunan418400,China）
Abstract： To solve the problem of epistasis analysis in genomewide, a filter method based on multiple criteria fusion was developed to remove the unrelated SNP loci. After that, ant colony algorithm was used to construct the SNP set with epistasis interaction. In the phase of constructing, a support vector machine was proposed to build the relationship between the SNP set and complex diseases. The experiment results show that, with multiple criteria evaluating each SNP and ant colony optimization, the prediction accuracy and running time have been improved, making it better than conventional methods.
Key words： complex disease； epistasis； support vector machines
随着人类基因组计划（HGP）测序工作的完成,生命科学的研究重点已经从确定 DNA序列组成转移到了研究基因功能.由于复杂疾病[1]在人群中具有高死亡率及难以治愈等特点,使得复杂疾病成为医学、生物学相关科研人员的重点研究对象.复杂疾病不同于孟德尔疾病,它的形成和发展通常涉及到多个基因的相互作用或者基因和环境的交互作用即上位作用.而从分子层次上看,上位作用即为基因调控网络或生物化学代谢通路中的生物分子（例如 DNA,RNA 的蛋白质等）之间的物理相互作用[2].通常上位作用在基因型和疾病表型之间一般都表现为非线性关系,从而难以被检测.在特殊情况下,单个基因和表型之间并没有表现出相关性,但是当该基因和其他基因或者环境联合分析时,则存在明显的上位作用.因此,复杂疾病一般具有表型异质性、遗传异质性等特点,使人们难以从根本上理解其致病机理.
全基因组范围内的复杂疾病易感基因的发掘及其和疾病关联方式的确定,将有利于更全面地理解复杂疾病发病机理,从而实现复杂疾病的预防、诊断和治疗.尽管针对复杂疾病的SNP芯片已经产生海量的数据,但是由于该数据本身具有的特征维数高和上位性分析存在组合爆炸等特点,使得该研究中如何对数据进行有效降维,并保留关键的上位作用,并有效刻画上位作用和复杂疾病之间关系,成为了复杂疾病的全基因组关联研究的热点.本文首先采用多准则融合策略对无关、冗余SNP位点进行过滤,然后采用蚁群优化算法进一步剔除冗余SNP位点,实现对数据的降维并找出和疾病相关的上位性组合,然后采用支持向量机作为分类模型.实验表明,本文方法具有实用意义.
1全基因组关联研究中存在的问题
复杂疾病上位性研究一般由数据预处理,上位性检测以及分类评估3个阶段构成.目前,研究人员在这3个阶段,提出将关联统计分析、机器学习等方法应用到该研究中,从而发展了很多上位性分析的模型及算法.
统计检验方法[3]如信息增益、方差检验和卡方检验等被用于上位性检测,这些方法都暗含了各个特征SNP之间是相互独立的这一假设,因此,在对特征进行评估时只考虑了特征和疾病性状之间的关系,而忽略了特征和特征之间的相互作用,因此对于评估可能包含上位作用的生物数据存在准确率较低等缺点.在众多机器学习算法中,决策树算法是较早被确认为是识别SNPSNP相互作用的有用工具,但是该类方法只应用于相对较小的数据集.为了解决较大规模数据集上的上位性分析,Chen等[4]研究了随机森林中的统计效率,用于分析包含了成百上千个候选SNPs的疾病数据集.目前,虽然这些方法具有一定的优势,但是仍然存在时间复杂度高、分类准确率低、假阳性高等不足.
针对以上存在的问题,当前已有一些研究提出先过滤掉冗余、无关的SNP再进行上位性分析的策略.如果单个 SNP 对疾病具有统计可检测的主效应,那么可以检测出其和疾病之间的关联（association）,然后过滤掉低关联强度的SNP,从而缩小后续上位性组合检测中所需搜索的组合空间.但是,某种情况下可能出现纯上位性现象,传统单SNP分析方法可能剔除了这些位点,而导致后续分类准确低,并且由于组合爆炸,对所有 SNP 组合进行穷举搜索大大增加了计算复杂度.因此,亟需一种有效的筛选方法剔除无关、冗余SNP位点,并有效保留纯上位作用SNP位点及主效应SNP位点,在保证分类准确度的基础上降低计算复杂度.
结论：关于本文可作为蚁群算法方面的大学硕士与本科毕业论文蚁群算法 matlab论文开题报告范文和职称论文论文写作参考文献下载。
基于改进蚁群算法侦察无人机航路规划和实现
摘要：文章针对侦察无人机航路规划这一问题，分析了影响航路规划的因素，构建了航路规划的模型。结合侦察无人机航路规划的特点与模型，论证了基于蚁群算法。
自适应蚁群算法在双向生产车间调度中应用
摘要：本文将蚁群算法与双向调度算法结合，用以解决以生产周期和关键工件交货期为优化目标的车间作业调度问题。在传统的蚁群算法的基础上自适应调整挥发系。
蚁群算法和其他原理相结合在机械优化设计中应用
摘 要：通常我们在机械结构优化设计中，常借助基本蚁群算法进行优化设计，虽然能使得到的结构能够达到预期的目标与要求。但是这种基本蚁群算法通过实践发。
改进蚁群算法在全终端网络可靠性优化问题上的应用
摘要：本文着重解决全终端网络成本优化问题，以达到最佳的寻优效果和寻优速度，基于泰国学者KanyapatWatcharasitthiwat在解决网。