[发明专利]基于多目标蚁群优化算法的基因位点挖掘方法

权利要求书

1.一种基于多目标蚁群优化算法的基因位点挖掘方法，包括以下步骤：

第一步：以蚁群算法为基础设计封装式的特征选择算法，即每次迭代中，一个人工蚂蚁选择一个SNPs特征子集，一个特征子集及对应的复杂性状状态用来构建多目标模型；

第二步：分别使用逻辑斯蒂回归模型和贝叶斯网络模型对所选择的SNPs特征子集及对应的复杂性状状态进行建模，然后运用AIC和K2作为对应模型的评价准则，将分值视为多目标函数的解；

第三步：采用非支配排序法，将第二步中多目标函数所有的解筛选为非支配解和支配解，根据解的优劣程度进行信息素矩阵τ的迭代，迭代完成后得到一个经过特征选择算法选择的SNPs位点子集；

第四步：在SNPs位点子集中用卡方检验进行穷尽型假设检验，最终根据用户设定的P值筛选得出与复杂性状相关的SNPs位点。

2.根据权利要求1所述的方法，其特征是，所述的SNPs特征子集为寻找与复杂性状相关的两位点交互作用SNPs，具体为：A_ij＝(x_m,x_n)，其中：i表示第i次迭代，j表示第j只人工蚂蚁，m和n分别表示人工蚂蚁所选择的全基因组数据中的第m个和n个SNP位点。

3.根据权利要求1所述的方法，其特征是，所述的逻辑斯蒂回归模型为：

其中：β₀代表着模型的平均数项，是由数据人群中的某种性状占比及数据规模决定，β₁,β₂和ζ分别用以模拟位点的主效应及交互作用效应，p(y＝1|x₁,x₂)表示在位点x₁,x₂相应状态下，该样本为相应性状y出现的概率；

其AIC评价准则为：其中：d为模型自由度。

4.根据权利要求1或3所述的方法，其特征是，所述的贝叶斯网络模型为两层贝叶斯网络，其中：一层为一组SNPs位点构成的节点，另一层为复杂性状节点；

该贝叶斯网络模型的K2评价准则为：其中：I是BN模型中所有SNP节点数值的组合数目；J是复杂性状节点y状态数目；r_i是SNP节点取值组合属于第i种组合的对应样本数目；r_ij是其父SNP节点取值组合属于第i种组合，而对应子性状节点取值是第j种状态的样本数目。

5.根据权利要求3或4所述的方法，其特征是，所述的多目标函数为：

其中：A_k是自变量空间，表示实验数据中的所有可能的SNP位点组合。

6.根据权利要求1所述的方法，其特征是，所述的卡方检验是指：

其中：O_ij表示当SNP位点为第i种组合而复杂性状y变量为j时样本的观测值，E_ij表示当SNP位点为第i种组合而复杂性状y变量为j时样本的期望值。