基于蚁群算法的生物大数据互作模式识别方法研究.pdfVIP

摘要 摘 要 随着医疗卫生条件的改善、人们生活水平的提高，一些简单疾病基本上得到了控制， 而复杂疾病成为威胁人类身体健康的首要因素。这些复杂疾病往往是由多对微效基因与环 境因素共同作用导致，具有明显的遗传异质性、种族差异性及表型复杂性等特征，严重威 胁着人类的健康。此外，随着高通量测序技术、生物芯片技术、纳米技术等的发展，产生 Single Nucleotide Polymorphism SNP 了海量的基因数据。其中，单核苷酸多态性 （ ， ）数据 是最为典型的一类基因数据。然而，SNP 数据是典型的高维小样本数据，使得研究面临着 “维度灾难”和 “组合爆炸”等挑战。本文通过对已有蚁群算法的研究进行补充完善，并 将其应用在全基因组生物大数据互作模式识别中，这对进一步了解SNP 与复杂疾病之间的 关联以及复杂疾病产生和发展机理具有重大意义，并且为深入开展复杂疾病的风险评估、 治疗及药物研制等方面打下坚实的基础。本文的研究主要包括以下几个方面： 1 SNP （）提出了基于改进蚁群优化算法的 互作模式识别方法。基于传统的蚁群算法， 在搜索策略中引入阈值将概率选择函数分成两部分，一方面增加决策规则的多样性，另一 方面控制算法收敛速度。同时，在文中引入一个多目标优化函数来评价算法的好坏，以提 高算法的准确性。通过改进基本的蚁群算法，并将改进算法应用到真实数据集中，对识别 的SNP-SNP 组合进行分析，发现了更多具有真实意义的SNP 互作对。 （2 ）提出了基于自适应调整蚁群优化算法的SNP 互作模式识别方法。为了减少算法 的引入参数，提高算法适用性，在算法中引入自适应调整策略来加强对致病模型的处理能 力。其次，为了提升算法的计算效率，改善算法性能，在文中引入记忆策略和后期处理策 略来处理算法识别的最优解集。将改进算法应用到真实数据集中识别SNP 互作对，并进行 相关生物分析，为复杂疾病的进一步研究提供思路。 （3 ）提出了基于启发式蚁群优化算法的SNP 互作模式识别方法。在蚁群算法中引入 启发信息，以提高对疾病模型的识别能力。同时，考虑到信息素浓度对算法的影响，文中 采用自适应调整的信息素更新策略，以有效控制算法的收敛速度。将改进算法应用到真实 数据集中，并对识别结果进行分析，发现最终结果具有显著的生物学意义。 关键词：蚁群优化，单核苷酸多态性，互作模式识别，全基因组关联分析，多目标优化 I Abstract Abstract With the improvement of the medical health conditions and peoples living standards, some simple diseases have been effectively controlled, while complex diseases have become the primary factors threatening human health. These complex diseases are often caused by multiple pairs of micro-effect genes and environmental factors, with the obviously characteristics of genetic heterogeneity, ethnic differences and phenotypic complexity. In addition, with the development of high-