[发明专利]一种人工蜂群优化贝叶斯网络的上位性位点挖掘方法

权利要求书

1.一种人工蜂群优化贝叶斯网络的上位性位点挖掘方法，其特征在于，包括如下步骤：

S1，利用扩张、收缩、对称性检测三个阶段，将目标节点分为表型Class节点和非Class节点两种情况，通过条件互信息计算获取不同节点的马尔可夫毯；

S2，根据得到不同节点的马尔可夫毯，构建包括SNP位点和表型Class的网络，得到初始蜜源，即初始网络结构；

S3，在不生成环的前提下，基于初始蜜源网络个体，通过随机增加边、删除边、逆转边的操作生成新的网络个体，直到网络个体数量达到最大初始蜜源数目；

S4，在步骤3所得初始蜜源的基础上，通过人工蜂群优化算法的三种蜜蜂行为与贝叶斯网络的BIC和MIT两种打分函数，对包括SNP位点和表型Class的贝叶斯网络进行演化，得到较优的贝叶斯网络结构，从而准确快速地获取到影响表型性状的上位性基因位点，其中三种蜜蜂分别为采蜜蜂、观察蜂和侦察蜂。

2.如权利要求1所述的一种人工蜂群优化贝叶斯网络的上位性位点挖掘方法，其特征在于：在所述S1步骤前，将基因型数据表示为0，1，2形式的数据，对于特定SNP基因型数据AT，进行如下表示：AA用0表示，TT用2表示，AT/TA用1表示，其中0表示纯合子常见基因型，1表示杂合子，2表示纯合子少见基因型，表型Class取值为0或1，0表示为未患病，1表示为患病。

3.如权利要求1所述的一种人工蜂群优化贝叶斯网络的上位性位点挖掘方法，其特征在于，在所述S1步骤中，扩张阶段具体为：在构建非Class节点的马尔可夫毯时，假设表型Class节点已经加入到目标SNP节点的马尔可夫毯中，计算任意一个SNP节点与Class在目标SNP节点条件下的条件互信息，并将所述条件互信息小于阈值的SNP位点加入目标节点的马尔可夫毯中；在构建Class节点的马尔可夫毯时，假设任意一个SNP节点已经加入表型Class节点的马尔可夫毯中，计算另外任意一个SNP节点与已加入马尔可夫毯的SNP节点在Class条件下的条件互信息，并将小于阈值的SNP位点加入Class节点的马尔可夫毯中。

4.如权利要求1所述的一种人工蜂群优化贝叶斯网络的上位性位点挖掘方法，其特征在于，在所述S1步骤中，收缩阶段具体为：去除多余节点；对于任意目标节点SNP₁或者Class节点，计算在去除SNP₂的马尔可夫毯的条件下目标节点SNP₁与SNP₂的条件互信息，若所述条件互信息大于阈值，则删除SNP₂并更新节点SNP₁的马尔可夫毯。

5.如权利要求1所述的一种人工蜂群优化贝叶斯网络的上位性位点挖掘方法，其特征在于，在所述S1步骤中，对称性检测具体为：由于是基于条件独立性检测，因此任意目标节点马尔可夫毯中的节点之间应该相互依赖，假设SNP₁存在于SNP₂的马尔可夫毯中，SNP₁与SNP₂应该相互依赖，与之对应，SNP₂应该存在于SNP₁的马尔可夫毯中，假如两个节点的马尔可夫毯并不对称，那么分别在两个节点的马尔可夫毯中删除另外一节点。

6.如权利要求1所述的一种人工蜂群优化贝叶斯网络的上位性位点挖掘方法，其特征在于，在所述S4步骤中，采蜜蜂阶段具体为：

S40，首先采蜜蜂对初始蜜源的邻域进行搜索，即通过加边、减边、逆转边三种操作对网络结构进行更新；

S41，然后利用BIC和MIT两种评分函数同时对新的网络结构进行打分，并与初始网络结构的分数进行比较，若新的网络结构优于初始网络结构，则将该网络结构进行保存，并记录该网络结构提高的分数；

S42，最后，根据提高的分数使用轮盘赌的方式随机选择新的网络结构，此时采蜜蜂对其进行采蜜；

以上的网络机构即蜜源。