基于遗传算法与网络科学的遗传异质性分析
机器学习
2023-08-15 v1 计算工程、金融与科学
摘要
通过全基因组关联研究(GWAS),可通过比较特定疾病患者与非患者的遗传数据来识别疾病易感遗传变量。然而,由于遗传异质性与特征交互作用,这些关联的发现有重大挑战。受这些效应交织影响的遗传变量往往效应量较低,因此难以使用机器学习特征选择方法检测。为应对这些挑战,本文提出一种用于GWAS的新型特征选择机制,称为特征共选择网络(FCS-Net)。FCS-Net旨在从基于遗传算法(GA,一种进化学习算法)的多次独立特征选择运行所构建的网络中提取遗传变量的异质子集。我们采用非线性机器学习算法检测特征交互。我们引入社区风险评分(CRS),一种用于量化每个变量子集集体疾病关联的合成特征。我们的实验通过合成数据分析展示了所采用的基于GA的特征选择方法在识别特征交互方面的有效性。此外,我们将这一新方法应用于病例对照结直肠癌GWAS数据集。所得合成特征随后被用于解释额外仅病例GWAS数据集中的遗传异质性。
引用
@article{arxiv.2308.06429,
title = {Genetic heterogeneity analysis using genetic algorithm and network science},
author = {Zhendong Sha and Yuanzhu Chen and Ting Hu},
journal= {arXiv preprint arXiv:2308.06429},
year = {2023}
}