基于智能算法信息snp选择方法的研究

《基于智能算法信息snp选择方法的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、ResearchonInformativeSNPSelectionMethodBasedonIntelligentAlgorithmByZENGJinpingB．E．(HunanCityUniversity)2005AthesissubmittedinpartialsatisfactionoftheRequirementsforthedegreeofMasterofEngineeringlnComputerScienceandTechnologyintheGraduateSchoolofHuna

2、nUniversitySupervisorProfessorPENGManmanSeniorEngineerZHOULinSept，2012湖南大学学位论文原创性声明本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。作者签名、_：．日期：力f上年户月8日学位论文版权使用授权书本

3、学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权湖南大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。本学位论文属于作者签名：导师签名：l、保密口，在年解密后适用本授权书。2、不保密团。(请在以上相应方框内打“4”)日期：)J2年／o月孕Et日期：五，Z年／o月g日基于智能算法的信息SNP选择方法研究摘要单核苷酸多态性(SingleNu

4、cleotidePolymorphism，SNP)指的是在基因组水平上因单个核苷酸变异所引起的DNA序列的多态性。关联分析中尽管使用所有的SNP可以具有较高的效能，但是代价过于昂贵，而寻找包含大量信息的tagSNPs位点，不仅可以降低成本，而且可以尽可能的保持关联研究效能。目前，已有较多的方法被用于信息SNP选择的相关研究中。但是，这些方法仍然存在不足，主要表现在这些方面：时间复杂度较高、所选择信息SNP数目过多、预测准确度偏低或者所选取的信息SNP在后续关联研究中效能低等。因此，在本文中，针对

5、这些不足提出一种基于智能算法的信息SNP选择方法以更符合实际研究的需要。主要的工作和创新点如下：本文首先描述了信息SNP位点的选择问题，并比较了各种国内外基于不同思路的方法之间的优缺点，并详细阐述了基于预测准确度方法的基本思想及主要步骤。然后为了降低算法时间复杂度，本文提出采用基于蚁群算法的信息SNP子集构造方法，设计了与信息SNP选择密切相关的基于预测精度的启发因子、路径选择以及自适应的信息素更新机制，提高了算法寻优的效率，从而提高了预测准确度。由于传统基于SVM的非信息SNP预测，需要多次循

6、环以单体型中的非信息SNP。因此，本文为了提高预测阶段非信息SNP预测的准确度以及效率，充分利用ANN具有多输出节点的特点，并设计用于非信息SNP预测的输出函数，以提出基于人工神经网络的学习模型用以非信息SNP预测，从而可以做到一次训练即可对所有的非信息SNP位点进行预测。最后，为了便于其他生物信息处理研究人员有效利用本文的方法，基于VC6．0平台设计实现了一款可视化的信息SNP选择软件，该系统使用了本文提出的改进算法。本文利用该软件处理了多个模拟数据集以及真实数据集，并与其他方法在预测准确度以

7、及运行时间上进行了比较，实验表明，本文的方法较当前主要信息SNP选择的算法，具有较优性能。关键词：单核苷酸多态性：标签SNPs；蚁群算法；人工神经网络II工程硕=E学位论文AbstractSingleNucleotidePolymorphism(SNP)isaDNAsetofpolymorphismbasedonthesinglenucleotidevariationsatthegenomiclevel．AlthoughanalyzingallSNPcanreachhighassociation

8、power，itshapplotypingcostishuge．SelectinginformativeSNPscanreducecostwhilemaintainingassociation．Currently,therearemanymethodsforinformativeSNPselection．However，theyalsohavesomedrawbacksincluding：hightimecomplexity,thebignumberofinformativeSNP，lowpre