[发明专利]一种基于欠采样的致病同义突变预测方法

权利要求书

1.一种基于欠采样的致病同义突变预测方法，其特征在于，包括：

从数据库HGMD，dbDSM以及VariSNP中，经过综合变量效应预测影响表以及biomaRt的注释和处理，获取正样本即致病同义突变样本和负样本即良性同义突变样本，最终得到正负样本比例不平衡的目标数据集；

对获取的不平衡的目标数据集进行特征注释，共包括14维特征，分别为七种工具的预测得分和由CADD注释得到的七种保守性特征；

使用欠采样方法Cluster Centroid对不平衡数据集进行处理，获取平衡数据集，即在多数类中通过k-means算法获得聚类中心后，选择聚类中心最近的样本替换整个多数类数据集，其中负样本为多数类，正样本为少数类；

将所述平衡数据集根据五折交叉验证的方式划分训练集和验证集，训练集用于对模型进行构建与训练，验证集用于进行模型的参数调整，最终获取最优的模型。

2.根据权利要求1所述的基于欠采样的致病同义突变预测方法，其特征在于，使用欠采样方法Cluster Centroid对不平衡数据集进行处理包括以下步骤：

(1)输入数据，包括负样本即多数类数据和正样本即少数类数据，其中，多数类数据(负样本)N＝{n₁,n₂,…,n_s}，因此，多数类数据数目为s；少数类数据P＝{p₁,p₂,…,p_t}，因此，少数类数据数目为t；样本的特征维数F＝{1,2，…,I}，因此，特征维数为I；

(2)设置多数类数据聚成的类个数k＝t；

(3)基于k-means聚类方法进行聚类；

(4)获取t聚类中心K＝{k₁,k₂,…,k_t}；

(5)选择出每个类中离聚类中心最近的样本，计算方法如下：

i.先计算出某个类某个样本n_s到这个类聚类中心k_t的距离，根据特征维数和欧式距离进行计算：其中，k_ti表示聚类中的第i个特征，n_si代表这个样本的第i个特征；

ii.按照上述公式计算完这个类中所有样本，然后选出这个类中距离值最小的那个样本：arg(n_u)＝min{dis(n₁),dis(n₂),…,dis(n_u)}；其中u是指该类中的样本个数,n_u是指第u个样本，arg(n_u)是指返回该类中距离最小的样本；

(6)重复(5)，计算所有的类，获得t个新样本；

(7)将t个新样本代替原始的多数类，获得平衡数据集。

3.根据权利要求1所述的基于欠采样的致病同义突变预测方法，其特征在于，

所述七种工具的预测得分的获取方法为：将数据输入到对致病同义突变进行预测的七种工具中运行以获取预测得分，共是七维；

所述七种保守性特征的获取方法为：使用工具CADD直接对数据进行特征注释，获取灵长类、哺乳动物和脊椎动物的PhastCons和phyloP evolutionary conservation进化保护得分以及GERP++selection score选择评分，共是七维。

4.根据权利要求1所述的基于欠采样的致病同义突变预测方法，其特征在于，所述模型基于随机森林构建，利用五折交叉验证对随机森林中参数进行调参，以获得最优模型。

5.根据权利要求1所述的基于欠采样的致病同义突变预测方法，其特征在于，当有外部数据想要进行预测时，经过特征注释后可以直接输入到模型中进行预测，获得致病概率。