[论文解读] Application of Support Vector Machine to detect an association between a disease or trait and multiple SNP variations

Gene Kim, Myung Ho Kim|ArXiv.org|Apr 17, 2001

Machine Learning in Bioinformatics参考文献 3被引用 7

一句话总结

本文提出了一种支持向量机（SVMs）在检测多个SNP变异与疾病或特征之间关联方面的创新应用。通过使用基于参考的差异评分，将多SNP基因型表示为欧几里得空间中的向量，该方法识别出最优的分离超平面以分类疾病组和对照组，从而实现潜在的个性化风险预测的遗传关联检测。

ABSTRACT

After the completion of human genome sequence was anounced, it is evident that interpretation of DNA sequences is an immediate task to work on. For understanding their signals, improvement of present sequence analysis tools and developing new ones become necessary. Along this current trend, we attack one of the fundamental questions, which set of SNP(single nucleotide polymorphism) variations is related to a specific disease or trait is. For, in the whole DNA sequence, it is known that people have different DNAs only at SNP locations, and moreover, the total SNPs are less than 5 millions, finding an association between SNP variations and certain disease or trait is believed to be one of the essential steps not only for genetic researches but for drug design and discovery. In this paper, we are going to present a method of detecting whether there is an association between multiple SNP variations and a trait or disease. The method exploits the Support Vector Machine which has been attracting lots of attentions recently.

研究动机与目标

• 解决在复杂遗传数据中识别与疾病相关SNP组合的挑战。
• 开发一种系统化方法，基于多SNP基因型区分健康人群与患病人群。
• 应用SVM检测超越单SNP分析的非线性、多基因座遗传关联。
• 创建一种基于向量的SNP数据表示方法，保留生物学相关性并支持机器学习分类。

提出的方法

• 通过计算与参考SNP数据集的偏差得分，将每个个体的多SNP基因型表示为R^n空间中的向量。
• 为基因型分配差异得分（例如，w/w与w/m为0.25，w/m与m/m为0.75），以量化与参考的遗传差异。
• 使用标记的训练数据（疾病 vs. 对照）训练SVM，以找到最大化组间间隔的最优分离超平面。
• 采用SVM优化问题的对偶形式，结合拉格朗日乘子求解二次规划问题。
• 引入松弛变量和正则化参数C，以处理不可分或含噪声的数据情况。
• 当未发现多数类时，对子群应用迭代SVM聚类，以识别具有高患病率的亚群。

实验结果

研究问题

• RQ1 SVM能否有效检测多个SNP变异与复杂疾病或特征之间的关联？
• RQ2 如何在高维空间中对多SNP基因型进行有意义的向量表示，以支持机器学习？
• RQ3 如何最优地定义与参考人群的遗传距离，以提高分类准确性？
• RQ4 SVM如何处理遗传关联数据中重叠或不可分的类别？
• RQ5 该方法能否识别出高度预测疾病易感性的SNP组合亚群模式？

主要发现

• 基于SVM的方法成功识别出能通过多SNP基因型向量区分疾病组与对照组的分离超平面。
• 基于参考的差异评分使SNP变异的生物学意义明确的向量表示成为可能。
• 该方法可通过超平面的决策边界识别出与疾病相关的SNP模式。
• 迭代SVM的应用使数据能够聚类为多数类占比较高的子群，从而提升子群特异性预测能力。
• 该方法支持计算单个SNP对整体疾病关联的贡献得分，有助于优先排序。
• 该框架可扩展至单倍型数据和连锁分析，拓宽了其在遗传研究中的适用性。