关联分析中SNP与疾病关联关系建模研究

发布时间：2020-02-24 03:50

【摘要】：单核苷酸多态性(SNP)是指在基因组上单个核苷酸的变异,是DNA多态性的一种最普遍的类型。因为大量存在着SNP位点并且不同的SNP组成致病模型与疾病之间存在着关联关系,这使人们有机会发现与各种疾病相关的基因组突变,现在普遍认为SNP研究是人类基因组计划走向应用的重要步骤,所以对SNP的研究具有重要的意义。本文研究了关联分析中SNP与疾病关联关系的建模方法。针对不同的致病模型之间存在相互关联、交叉影响的情况,我们提出了软划分、硬划分等样本划分方法,应用这些方法进行解交叉(decrossing)工作,同时使用MLP(多层感知器)神经网络建立模型。通过使用真实SNP数据进行实验,求解出每个致病模型的真实致病概率,并将实验结果与真实模型进行比较分析,以验证方法的正确性。由于样本数据以及神经网络本身会存在一些不足,我们采用Bootstrap方法对样本数据进行泛化处理,实验结果表明使用此方法可以有效提高神经网络的训练正确率。本文最后使用软件仿真出各种形式的SNP数据进行实验,通过实验结果之间的比较研究分析了使用硬划分方法建立的模型适应于不同致病模型的能力。
【图文】：

模型图,人工神经元,模型,神经元

关联分析中SNP与疾病关联关系建模研究典型的人工神经元模型如图2.1如示:fff(.)))图2.1人工神经元模型其中圆形代表一个神经元，毛(’’二1，2，，…n)为神经元i的输入信号，、(j=1，2，…n)为连接权，b‘为神经元的闭值或称偏差

多层前向网络

图2.3多层前向网络人工神经网络的学习工神经网络的学习也称训练，指的是通过神经网络所在环境的刺网络的自由参数，使神经网络以一种新方式对外部环境做出反应习算法是指针对学习问题的明确规则集合，不同的学习算法对神表达式有所不同，没有一种算法用于设计所有的神经网络。学习师学习(Leamingwithateacher)和无导师学习(Leamingwithouta神经网络即是一种有导师学习的神经网络。工神经网络的学习规则有许多种，基本的有如下五种:Hebb学习规则，基于一记忆的学习，随机学习算法和竞争学习等，其中纠错学络的学习规则，它是根据网络的输出与期望输出之间的误差来调以使误差达到最小的一种学习过程，该过程也称为Delta规则或Wi]。
【学位授予单位】：西安电子科技大学
【学位级别】：硕士
【学位授予年份】：2010
【分类号】：R394

【参考文献】