[发明专利]一种差异甲基化位点识别方法

权利要求书

1.一种差异甲基化位点识别方法，其特征在于，包括以下步骤：

(1)、从癌症基因组公共数据库中任意获取一种癌症的N组450K甲基化芯片数据样本；

(2)、对N组450K甲基化芯片数据样本进行预处理

(2.1)、利用子集分位数标准化算法SWAN对所有的450K甲基化芯片数据样本进行标准化处理，消除每组450K甲基化芯片数据样本的组内误差；

(2.2)、利用经验贝叶斯算法ComBat对每组450K甲基化芯片数据样本进行标准化处理，消除单组450K甲基化芯片数据样本的组间误差；

(2.3)、按照位点维度计算每组450K甲基化芯片数据样本的方差，再去除方差小的位点，去除的位点个数正好是450K甲基化芯片数据样本的位点总数的1/3，得到N组标准450K甲基化芯片数据样本；

(3)、将N组标准450K甲基化芯片数据样本存入数据集data，且数据集data有f个特征；

(4)、构建随机森林分类模型寻找差异甲基化位点

(4.1)构建随机森林分类模型

从位点维度分割数据集data，得到s个子集，在每个子集内从f个特征中随机选择m个特征；

再从样本维度分割s个子集中的每个子集，使每个子集又分割得到t个子集，最终得到s×t个子集；

最后，利用s×t个子集进行决策树建模，形成s×t棵树，进而得到随机森林分类模型；

(4.2)、利用随机森林分类模型分别计算m个特征的重要性

对特征g_θ计算重要性的公式为：

其中，表示在第τ棵树中有个结点是由特征g_θ分割的，表示特征g_θ在第τ棵树中某个由特征g_θ分割的结点处的信息增益比，表示第τ棵树中在结点处的样本数，num.in.τ表示第τ棵树中在根节点样本数，u,v是两个平衡因子；

wAcc表示某一棵树在训练时，对这一棵树中未用到的样本进行测试，测试指标为带权重的正确率，计算公式如下：

其中，c表示样本有c类，n_xy表示在预测时将属于第x类的样本分到第y类的样本数，y∈[1,c]且y≠x；

(4.3)、判断每个特征的重要性是否大于0，如果大于0，则该特征对应的位点为差异甲基化位点。

2.根据权利要求1所述的一种差异甲基化位点识别方法，其特征在于，所述的s×t个子集中每个子集包含M％的标准450K甲基化芯片数据样本。