[发明专利]一种基于欠采样的致病同义突变预测方法

说明书

本发明公开了一种基于欠采样的致病同义突变预测方法，包括：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；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。本方法能大大提高模型的分类的精度和鲁棒性。

技术领域

本发明涉及生物信息计算领域，具体涉及一种基于欠采样的致病同义突变预测方法。

背景技术

点突变根据它们是否能改变编码的氨基酸分为同义或非同义突变。

同义突变不会改变氨基酸序列，因此这类突变一直被认为是沉默且无功能的。

随着精准医学发展逐步全球化，许多研究者开始关注研究同义突变的功能效应，例如Supek等人证明同义突变会导致癌症的疾病，突变通过干扰RNA剪接或改变转录剪接从而影响蛋白质功能。

因此，同义突变的致病性研究已经成为遗传学家和药理学家越来越感兴趣的话题。然而，通过生物实验区分致病性和中性同义突变非常费时和昂贵，相比之下，基于计算方法的发展是十分有效的，同时也为进一步的实验验证和发现提供了基础。

为了满足这一需求，科研工作者们开发了各种优秀的计算工具。这些工具可以分为两类：一类是可以对各种单核苷酸突变进行致病性预测的广谱性工具，另一类则是只针对于同义突变致病性预测的特异性工具。

广谱性工具虽然可以预测多种突变类型，但是对于同义突变的致病性预测，其准确度是令人担忧的，一般情况下是远远不如特异性工具。而对于特异性工具来说，其正样本的数据量是非常稀少且正负样本比例是极度不平衡的，这样的现象会对模型的泛化性能产生一定的影响，而过往的研究中也只使用了一些单一的欠采样方式，这可能会导致模型无法到达最优的预测性能。

因此，为了解决上述技术问题，亟需提出一种新的技术手段。

发明内容

本发明的目的在于提供一种基于欠采样的致病同义突变预测方法，其能够对正负样本极度不平衡的数据采取最合理的欠采样方式以构建最优模型对致病同义突变进行预测与分类。

为此，本发明提供了一种基于欠采样的致病同义突变预测方法，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ClusterCentroid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。

本方法中采用数据欠采样方法Cluster Centroid对不平衡数据进行处理，以获取具有代表性的训练集来构建更优秀的模型，能大大提高模型的分类的精度和鲁棒性，为同义突变的致病性预测和精准医疗的发展做出了贡献。

除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。

附图说明

构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：