基于全基因組關聯研究的tag SNP 預測方法的研究與分析*

劉高偉

（中國石油大學（華東）計算機與通信工程學院 青島 266580）

1 引言

全基因組關聯研究［1］（Genome-Wide Association Study，GWAS）在全基因組層面上，通過大樣本、多中心、反復驗證的方法來尋找大規模群體的各種脫氧核糖核酸（Deoxyribonucleic acid，DNA）遺傳標記［2］，如單核苷酸多態性（Single Nucleotide Polymorphism，SNP）［3］或 基 因 拷 貝 數 變異（Copy Number Variations，CNV）［4］等與復雜疾病相關的遺傳因素，從而全面揭示與人類疾病發生、發展和治療相關的遺傳基因。全基因組關聯研究中的單核苷酸多態性（single-nucleotide polymorphism，SNP）是指基因組DNA 序列同一位置單個核苷酸變異所引起的多態性，其占人體基因組遺傳多態性的90%以上［5～7］。SNP 集分析方法在識別致病SNP 時有較高的功效，且越來越受到生物醫學界的關注［8～9］。

理論上，在尋找遺傳疾病相關基因的過程中，是要通過對所有SNP 位點進行鑒定，然而，人體基因中一共有300 萬個SNP，對所有SNP 位點進行基因分析，這樣將消耗大量成本［10～13］。研究表明，許多SNP 位點之間具有一定的關聯關系，其中部分SNP 位點信息就可以代表所有SNP 位點所攜帶的信息，我們將具有代表性的SNP 成為標簽SNP（tag SNP）集［14～16］。通過對tag SNP 集進行基因分型，tag SNP 集的質量與基因分型的準確率有密切的關系，因此tag SNP 集評估方法已經成為GWAS 研究領域的熱點研究內容［17］。

評估tag SNP 集質量是SNP 集分析中的一個重要內容，高質量的tag SNP 集可以更好節約基因分型成本，并且提高基因分型的準確率。2005 年，Halperin 等［18］提出了STAMPA 方法評估tag SNP 集質量，該方法在預測過程中使用了容易獲得的基因型數據，而不是單倍體數據，并且該方法預測過程不受單倍體塊劃分限制，對每一個非tag SNP 位點進行預測，以此達到評估tag SNP集質量的目的，該方法在預測非tag SNP時只考慮了與所需預測的非tag SNP物理距離最鄰近的tag SNPs，而沒有考慮到SNP 之間的生物距離，這樣也就導致預測效率不高；Ilhan 等［19］使用支持向量機（Support Vector Machine，SVM）方法對所選擇的tag SNP 進行預測，通過粒子群優化方法對支持向量機中的參數進行優化，使用遺傳算法（Genetic Algorithm，GA）選擇tag SNP，通過每一次迭代對參數進行優化，以使得SVM 方法更加有效，該方法在預測tag SNP集時，通過每一次訓練調整參數，在預測時需要所有tag SNPs 位點信息，并且需要迭代的次數要足夠大，這樣才可以有較好的評估tag SNP 集；Mauawad 等［20］基于SNP 之間的連鎖不平衡度，提出Linkage Coverage 方法評估tag SNP 集質量，使用所有tag SNPs預測non-tag SNP，充分考慮了SNP 之間的關聯關系，然而該方法只計算了tag SNP 集與tag SNPs 集之間的連鎖不平衡，沒有考慮SNPs之間物理距離，這樣也就降低tag SNP集的評估質量。

基于上文所提出的問題，本文提出一種基于連鎖不平衡度的Genetic-majority dominance（GMD）tag SNP 預測方法評估tag SNP 質量，GMD 通過使用遺傳方法迭代選擇出tag SNP 集，然后以SNP 之間的連鎖不平衡為基礎，充分考慮了SNP之間的關聯關系以及實際生物距離，在使用tag SNP 集預測非tag SNP集時，并不需要使用所有tag SNP，只需要找出與所需預測的non-tag SNP 集關系最為鄰近的tag SNPs，所使用的也是易獲得的基因型數據，GMD 可以定量分析tag SNP 集質量且也保證了評估效果。

2 基于連鎖不平衡度的GMD方法

2.1 連鎖不平衡度

連鎖不平衡是指不同位點上兩個等位基因出現在同一個染色體上的頻率要高于預期的隨機頻率的現象［21］。由于Human Leucocyte Antigen（HLA）不同基因位點的某些等位基因經常連鎖在一起遺傳，而連鎖的基因并非完全隨機地組成單體型，有些基因總是較多地在一起出現，致使某些單體型在群體中呈現較高的頻率，從而引起連鎖不平衡。

設群體有n 個個體，每個個體有p個SNP 位點，即原始SNP 集中有p 個SNPs，記原始SNP 集為L=｛1，2，…，p｝。因為人類是二倍體生物，所以共有2n 個 單 體 型，令zi=(zi1，zi2，…，zip) ，i=1，2，…，2n，Rij表示SNPi與SNPj的連鎖不平衡度，通過下式可得［22］：

2.2 遺傳算法-多數占優方法（GMD）

遺傳算法-多數占優方法（GMD）是將遺傳算法與多數占優原則結合的一種tag SNP 集預測方法，該方法使用遺傳算法選擇出tag SNP集，然后以多數占優原則為基礎評估tag SNP集的質量。

遺傳算法是一種基于“適者生存”的高度并行、隨機和自適應的優化算法，通過復制、交叉、變異將問題解編碼表示的“染色體”群一代代不斷進化，最終收斂到最適應的群體，從而求得問題的最優解或滿意解［23～24］。在本文中，使用遺傳算法從原始SNP集中選擇出tag SNP 集。使用tag SNP 集對非tag SNP 進行預測時，對樣本基因數據進行訓練，得到數據之間的關系，然后根據多數占優原則使用所選擇的tag SNPs預測非tag SNP集。

3 算法描述

3.1 符號定義

設群體有n 個個體，每個個體有p個SNP 位點，即原始SNP 集中有p 個SNPs，記原始SNP 集為L=｛1，2，…，p｝。設一個p 維向量gi=｛0，1，2｝p表示一個基因片段，每一個位點上取值為0，1，2。0，1分別表示次等位基因和主等位基因，2 表示雜合子基因，prei表示在i位置上得到的預測值。每一個基因片段是由兩個單體型組成，單體型中每一個位點上的取值為0 或1。設gij所表示的是第i 個基因片段上第j個位置上的基因型信息，使用hij1與hij2表示組成該基因的兩個單體型對應位點上的單體型值，hijp∈0｛0，1｝，如果hij1=hij2=1，gij=1，如果hij1=hij2=0，gij=0，如果hij1≠hij2，則gij=2。

T 表示tag SNP 集，|T|表示tag SNP 集中元素的個數，即tag SNP的個數。

3.2 遺傳算法選擇tag SNP集

3.2.1 染色體編碼方案

使用二元向量表示tag SNP 選擇問題的染色體，使用Ci=｛0，1｝p表示一個染色體，0 表示non-tag SNP，即非tag SNP，1 表示tag SNP。所使用的樣本數量一共是n 個，所以有Ci=｛ci1，ci2，…，cip｝，cij的取值為0或1，i=1，2，…，n，j=1，2，…，p，設每一個染色體中有k個tag SNP，即有k個值為1。

3.2.2 選擇

計算每一個染色體的適應值，即tag SNP 集預測non-tag SNP 集的預測精度值pv（具體預測方法在下節介紹），這樣每一個染色體就有一個對應的pv，按照pv從小到大進行排序，C'=｛C1'，C2'，…，Cp'｝。設 兩 個 參 數Wup（Wup＞1）和Wdown（Wdown＜1），d=（Wup-Wdown）/p-1，令Rank（Ci'）=Rank（C1'）+（i-1）*d。設閾值t0，如果Rank（Ci'）＞t0，則選擇Ci'，且將Rank（Ci'）=Rank（Ci'）-1；在0-1 之間隨機產生一個分數f1，如果Rank（Ci'）＞f1，則將Ci'選擇，否則不選擇，一直進行該操作，一直選擇出n個染色體。

3.2.3 交叉

選擇操作完成之后，進行交叉操作，再本文中使用的是兩點交叉，設交叉率為Xrate，判斷染色體Ci'與Ci+1'之間是否需要進行交叉，需要在0～1 之間隨機產生一個分數f2，如果Xrate＜f2，則不進行交叉操作，否則，將染色體Ci與Ci+1進行交叉操作，交叉過程為：隨機產生兩個整數r1與r2，1 ≤r1≤r2≤p，將染色體Ci與Ci+1的區間［r1，r2］之間的片段進行交叉操作。

3.2.4 突變

突變操作：對于每一個染色體的每一個SNP進行突變操作，設突變率為Mrate，判斷SNP 是否需要突變，在0～1 之間隨機產生一個分數f3，若f3＞Mrate，則不發生突變，否則將SNP 位點進行突變操作，即該位點信息本來為0，則變為1，如果是1，則突變為0。

3.2.5 修復

事先設置的tag SNP 個數為k，在經過選擇，交叉，變異操作之后，為了保證tag SNP個數為k，需要進行修復操作，對于每一個染色體有t 個tag SNP，如果t＞k，則隨機選擇t-k 個tag SNP 將其值改為0，如果t＜k，則隨機選擇t-k 個non-tag SNP 的值改為1。

在修復操作完成之后，使用預測算法對每一個染色體中的non-tag SNP 進行預測精度。若迭代次數未達到總次數，則繼續迭代，否則停止。

3.3 tag SNP預測算法

4 結果與討論

4.1 數據描述

在實驗中，一共使用了四組數據集：包括了HTR2A 基因、ASAH1 基因、OLMF4 基因和PHGDH基因數據集。

HTR2A 是13 號染色體上與精神分裂癥、強迫癥等疾病有關的基因，該基因位于13 號染色體位置q14-21，一共有169個SNPs在基因HTR2A上。

ASAH1 是8 號染色體上與法伯脂肪肉芽腫病疾病有關的基因，該基因位于8 號染色體位置8p22，一共有177個SNPs。

OLMF4 是13 號染色體上與胃癌、胰腺癌等疾病有關的基因，該基因位于13 號染色體位置q14.3，一共有56個SNPs。

PHGDH 是1 號染色體上與癲癇疾病有關的基因，該基因位于1 號染色體位置1p12，一共有64 個SNPs在基因PHGDH。

實驗中，對于每一個數據集使用HAPGEN2 軟件產生1000 組模擬數據，每一組數據中有500 個case個體，仿真數據的連鎖不平衡結構是基于Hap-Map計劃產生的。

4.2 實現環境

在實現本方法時，所使用的編程語言是R 語言。所運行的環境是在Linux 操作系統下運行的，所使用的PC 的設施要求4GHz的內存以及500G 的硬盤存儲空間。

4.3 預測精度比較

在實驗中，設置遺傳算法的最大迭代次數為50，參數Wup=1.2，Wdown=0.8，交叉率Xrate=0.8，突變率Mrate=0.1，在對HTR2A 和ASAH1 數據集進行實驗時，tag SNP 的 個 數 從5 遞 增 到30，對OLMF4 和PHGDH 數據集進行實驗時，tag SNP 的個數從3 遞增到10，每一次遞增數量為1。

在本文中，首先使用遺傳方法選擇出每一次迭代所產生的tag SNP 集，然后通過使用不同tag SNP預測方法衡量每一次迭代出的tag SNP 集的質量，得到對應的適應值，將本文中所提出的GMD 方法與STAMPA預測方法進行比較，比較結果圖1所示。

圖1 GMD方法與STAMPA方法分別對HTR2A基因、ASAH1基因、OLMF4基因、PHGDH基因進行預測比較圖

通過圖1 可以看出當tag SNP 的個數比較少時，STAMPA 方法所預測的精度較小，隨著tag SNP個數不斷增加，預測精度也在逐漸提高，且可以看出本文提出的GMD 預測方法在HTR2A、ASAH1、OLMF4 和PHGDH 數據集中，預測結果都優于STAMPA 方法。STAMPA 方法在預測non-tag SNP時，只考慮了物理距離最短的tag SNPs，而沒有考慮到所需要預測的non-tag SNP 與tag SNP 的生物意義，因為在基因片段中存在多個單體型塊，使用STAMPA 所選擇的tag SNPs 與所需要預測的non-tag SNP不在同一個單體型塊，這樣tag SNPs與non-tag SNP 之間的關聯關系比較弱，使用不在同一個單體型塊中的tag SNP 預測non-tag SNP，這樣大大降低了預測精度，所以該方法不能很好評估tag SNP 集。而本文所提出的預測方法則是可以充分考慮到了tag SNP 與non-tag SNP 之間的生物距離，而且也保證了與所需要預測的non-tag SNP 關聯關系最為緊密的tag SNP，這樣在預測時，提高了預測精度，可見與STAMPA 方法比較，GMD 方法可以更好去評估所選擇出的tag SNP。

在本文中，也將GMD 方法與Linkage Coverage方法進行了比較，因為Linkage Coverage 方法在評估tag SNP 質量時，是通過計算tag SNP 集與non-tag SNP 集之間的連鎖不平衡度之和的覆蓋率評估tag SNP 集質量，并沒有對具體SNP 位點進行預測，所以不能與GMD 方法進行直接比較，在實驗中，通過將Linkage Coverage 方法與GMD 方法作為評估tag SNP 集方法與遺傳方法選擇tag SNP 集結合，遺傳方法迭代達到50 次之后，對所選擇的tag SNP 集使用STAMPA 方法預測，然后再對所預測的結果進行比較，比較結果圖2所示。

圖2 GMD方法與Linkage Coverage方法分別對HTR2A基因、ASAH1基因、OLMF4基因、PHGDH基因進行tag SNP 預測比較圖

通過圖2 可以看出，在HTR2A 和ASAH1 數據集中，當tag SNP數量較少時，兩者之間的預測精度差還是比較少的，但是隨著tag SNP數量不斷增大，本文所提出的GMD 方法與Linkage Coverage 方法之間的差距越來越大，且一直優于Linkage Coverage 方法。在OLMF4 和PHGDH 數據集，通過圖2（c）和圖2（d）可以看出本文所提出的方法預測tag SNP 集都是優于Linkage Coverage 方法。因為GMD方法不僅考慮了SNPs 之間的連鎖不平衡，而且也使用到了實際樣本中的基因型數據，充分考慮了基因型數據之間的關系，這樣也就使得GMD 的預測精度比較高。

5 結語

本文提出了一種新的tag SNP 預測方法——GMD 預測方法，該方法通過使用遺傳算法選擇出tag SNP，然后確定tag SNP 集，通過訓練基因型數據，使用多數占優的原則對non-tag SNP 進行預測，這樣實現了對tag SNP 的定量分析，將tag SNP 集的質量進行量化分析，該方法在預測tag SNP 集時不僅考慮了SNPs 之間的連鎖不平衡度，而且考慮了樣本的基因型數據關系，所以GMD 方法可以比較好的評估tag SNP 集。通過將該GMD 與Linkage Coverage、STAMPA 方法在HTR2A、ASAH1、OLMF4和PHGDH 數據集上進行比較，實驗結果顯示GMD相比于其他兩種方法可以更好評估tag SNP 集質量。

盡管GMD 方法可以較好評估tag SNP 集質量，然而，在評估非tag SNP 集時只是使用了與非tag SNP 關聯關系最強的兩個tag SNPs，沒有考慮其他的tag SNPs，盡管其他tag SNPs影響較小，但是其中可能存在潛在的生物意義，所以在接下來的工作中，我們除了使用與所預測的非tag SNP 關聯關系最近的tag SNPs，還需要考慮到與需要預測的非tag SNP有潛在生物意義的tag SNPs。