[发明专利]一种利用机器学习预测复杂疾病易感位点的方法

权利要求书

1.一种利用机器学习预测复杂疾病易感位点的筛选方法，其特征在于，包括以下步骤：

P1：收集已知的复杂疾病易感位点作为机器学习模型的阳性集，根据阳性集推测与复杂疾病不相关的位点作为阴性集，并进行表观调控元件的注释；

P2：利用机器学习建立复杂疾病表观调控模型；

P3：根据建立的模型，对全基因组范围内全部的位点就进行预测，得到最终的预测结果作为复杂疾病的潜在易感位点。

2.根据权利要求1所述的一种利用机器学习预测复杂疾病易感位点的筛选方法，其特征在于，所述步骤P1具体包括以下步骤：

P11：利用公共数据库GWAS catalog、PheGenI和Pubmed相关文献收集某一复杂疾病的已知易感SNP，并利用千人基因组计划公布的基因型数据计算与已知易感位点高连锁的SNP作为阳性集；

P12：对于阴性集，筛选全基因组范围内满足如下条件的SNP组成阴性集合：A.与阳性集合内SNP一定距离范围内；B.与其对应阳性集合内SNP的最小等位基因频率之差小于0.05；C.独立于阳性集合内所有SNP(r²<0.1)；选取完毕之后，阳性集和阴性集的比例为1:20；

P13：从UCSC和Roadmap数据库获取基因组所有表观调控元件信息，包括转录因子结合位点、组蛋白修饰位点和染色质分割状态；从GTEx数据库获取相关组织基因表达数量性状基因座信息；从ANNOVAR数据库获取序列保守性特征，每种调控元件储存为一个文本文件；

P14：利用获取的表观调控元件信息，根据基因组的物理位置对上述阳性集和阴性集内的SNP进行注释，对应原则为SNP如果与某个调控元件的屋里位置有重叠，则认为该SNP被这一调控元件注释到。

3.根据权利要求1所述的一种利用机器学习预测复杂疾病易感位点的筛选方法，其特征在于，所述步骤P2具体包括以下步骤：

P21：针对上述注释后的结果，利用R中的corrplot包计算调控元件之间的相关性并将高相关的调控元件随机去除，随后将注释结果随机分为训练集和测试集两部分，其中训练集占总集合的80％，测试集占总集合的20％，此步进行5折交叉验证；

P22：用不同机器学习算法对P21中所得训练集注释结果矩阵建立模型，所述机器学习方法包括但不限于随机森林、决策树、支持向量机；并用测试集判断模型的可靠性，评价指标包括灵敏性sensitivity、特异性specificity、精度precision、准确度accuracy和F1分数，计算公式如下：

Sensitivity＝TP/(TP+FN)

Specificity＝TN/(TN+FP)

Precision＝TP/(TP+FP)

Accuracy＝(TP+TN)/(TP+FN+FP+TN)

F1＝2×TP/(2×TP+FP+FN)

其中，TP为真阳性，FN为假阴性，TN为真阴性，FP为假阳性；

P23：根据P22所述模型评价指标，利用元件特征选择对模型进行优化，具体步骤如下：通过模型获得调控元件对模型的重要性排序；根据元件的重要性构建多个特征子集，集合中的特征数最大逐渐减少至1；根据模型评价指标确定模型的最优子集，用以预测新的复杂疾病易感遗传位点。

4.根据权利要求1所述的一种利用机器学习预测复杂疾病易感位点的筛选方法，其特征在于，所述步骤P3具体包括以下内容：

P31：通过P2步骤获得机器学习模型的最优子集，利用子集中包含的调控元件对全基因组范围内全部的位点进行注释；

P32：根据建立的最优模型，对全基因组范围内全部的位点进行预测，最终得到与阳性调控元件注释相似的位点，即为复杂疾病的潜在易感位点。