[发明专利]一种整数线性规划优化贝叶斯网络的上位性位点挖掘方法

权利要求书

1.一种整数线性规划优化贝叶斯网络的上位性位点挖掘方法，其特征在于，包括如下步骤：

S1，将基因型数据中SNP用0/1/2形式的数据表示，同时将基因型数据中表型Class用0/1形式的数据表示，并将SNP和Class看成构成贝叶斯网络的节点，在SNP中，0表示纯合子常见基因型，1表示杂合子，2表示纯合子少见基因型，在表型Class中，1表示该样本患病，0表示该样本未患病；

S2，通过计算互信息和条件互信息，利用扩张、收缩、检查一致性三个阶段得到每个节点的马尔科夫毯，将每个节点的马尔科夫毯中的节点作为该节点的候选父节点；

S3，在得到的每个节点的候选父节点中，对于特定节点和其所有的候选父节点构成的子结构，利用可分解贝叶斯网络打分函数计算所有子结构的分数，然后利用贝叶斯网络可分解打分函数的四个性质删除一些候选父集，得到不同节点筛选后的候选父集；

S4，基于每个节点的候选父集及其贝叶斯网络打分，将构建SNP位点和表型性状的贝叶斯网络转换成求满足约束条件的整数线性规划问题，然后利用割平面法和分支定界两种整数线性规划求解方法得到全局最优的贝叶斯网络。

2.如权利要求1所述的一种整数线性规划优化贝叶斯网络的上位性位点挖掘方法，其特征在于，在进行所述S2步骤前，设将挖掘影响表型性状的k-locus上位性位点，SNP和Class的数量为n，对于每个SNP节点，其初始的马尔科夫毯节点集共有种情况，每种情况的初始马尔科夫毯包含Class和其它k-2个SNP，对于Class节点，其初始的马尔科夫毯节点集共有种情况，每种情况的初始马尔科夫毯包含其它k-1个SNP。

3.如权利要求1所述的一种整数线性规划优化贝叶斯网络的上位性位点挖掘方法，其特征在于，在所述S2步骤中，扩张阶段具体为：对于一个目标节点的任意一种初始马尔科夫毯情况，计算任意节点与当前目标节点在该初始马尔科夫毯条件下的条件互信息，若条件互信息小于阈值，将节点加入到马尔科夫毯中，不断重复此过程，直到马尔科夫毯内节点不再增加为止，对目标节点的所有初始马尔科夫毯都进行上述计算过程，并对计算得到的所有马尔科夫毯求并集，得到该目标节点最终的马尔科夫毯。

4.如权利要求1所述的一种整数线性规划优化贝叶斯网络的上位性位点挖掘方法，其特征在于，在所述S2步骤中，收缩阶段具体为：在该阶段主要是去除错误的的马尔科夫毯节点，对于目标节点，去除其马尔科夫毯内的任意一个节点，计算该节点与目标节点在去除后的马尔科夫毯的条件下的互信息，若互信息值大于阈值，则将该节点删除，如条件互信息小于阈值，则保留该节点，直到没有可删除的节点为止。

5.如权利要求1所述的一种整数线性规划优化贝叶斯网络的上位性位点挖掘方法，其特征在于，在所述S2步骤中，检查一致性阶段具体为：若SNP₁的马尔科夫毯内有SNP₂，则SNP₂的马尔科夫毯内也应当有SNP₁；若SNP₂的马尔科夫毯内没有SNP₁，将SNP₁的马尔科夫毯内的SNP₂删除；通过检查一致性，可以进一步的精简不同的节点的马尔科夫毯，进而缩小候选父节点的个数。

6.如权利要求1所述的一种整数线性规划优化贝叶斯网络的上位性位点挖掘方法，其特征在于：在所述S3步骤中，通过使用更适合上位性数据处理的可分解贝叶斯网络打分函数α-BIC来对子结构进行打分。

7.如权利要求1所述的一种整数线性规划优化贝叶斯网络的上位性位点挖掘方法，其特征在于：在所述S3步骤中，使用可分解贝叶斯网络打分函数的四个性质，删除不同节点的候选父集，从而减少每个节点的候选父集个数，提高后续整数线性规划算法求解的效率。