一种与银屑病相关的分类模型的构建方法与流程

本发明涉及医学检测技术领域，具体涉及一种与银屑病相关的分类模型的构建方法。

背景技术：

银屑病又称牛皮癣是一种常见的复杂疾病，有报道银屑病的发生与遗传因素相关，尤其是人类白细胞抗原区域(hla)，但真正相关的位点并未可知。

随着测序技术的发展和基因组研究的深入，在去年《自然遗传》上就有报道中国人mhc区域的高深度测序和精准变异检测，在其基因组关联分析中定位了数个银屑病的易感位点。但是目前尚缺乏基于hla区域的易感位点的分类和预测模型。所以急需开发相关的分类预测工具利用hla区域易感位点对数据进行分类预测。

银屑病与hla最显著相关，但目前的技术缺乏对hla区域针对性的运用。近期hla区域进行精准变异检测得到突破，精准的定位了hla上与银屑病相关的易感位点。本发明针对这些易感位点对其进行编码和再用机器学习模型adaboost进行分类，可以整合利用hla区域找到的易感位点信息。利用机器学习模型对数据进行综合分析，提高分类准确性，为银屑病的预防筛查提供依据。

技术实现要素：

本发明的目的是解决上述现有技术的不足，基于对mhc区域的全覆盖找到与银屑病相关的生物标记，基于hla区域独立相关的易感位点，利用svm-adaboost构建银屑病的分类模型，提供一种与银屑病相关的分类模型的构建方法，为银屑病的预防筛查提供依据。

本发明是通过以下技术方案实现的：

1数据处理和转换

将各个样本的变异进行编码。通过高通量测序数据获得变异信息，包括hla型别(c*06:02、c*07:04、dpb1*05:01)，单核苷酸多态性位点(snp位点)和氨基酸(snp31443520、b:y33y、b:y91c、b:y140s、snp32472030)。

然后对每样本，根据易感位点，转化为本发明所需要的输入数据。针对hla型别采用编辑距离打分，snp和氨基酸采用0/1打分。具体方法如下：①针对易感hla型别，计算每个个体该型别与易感型别的编辑距离并打分；②针对snp位点，如果突变存在记为1，不存在记为0；③针对氨基酸突变，如果突变存在记为1，不存在记为0。

打分完成后，将数据随机拆分，拆分为测试集和训练集，注意测试集和训练集数据没有重叠。样本数少的时候，可以按照5折交叉法(或10折交叉法)将数据分成5份(10份)，每次取出1作为测试集，其余的作为训练集。

2利用adaboost-svm模型进行数据的分类

本发明利用adaboost方法来集成支持向量机(svm)分类器，整合利用所有的易感位点信息，提高数据的分类的正确率。

2.1关于分类模型的构建

2.1.1子分类模型svm

支持向量机模型svm是经典的机器学习分类软件，属于有监督式学习。本发明首先利用的高斯核函数(公式1)将数据投射到高维度空间。

其中，x为空间中任意一点，y为所选空间中心，σ为宽度参数，k(x,y)为x到y的空间距离。

之后高维度空间中用svm模型构建分隔平面。分隔平面构建主要是通过距离分隔平面最近的数个点来确定(如图1所示a点就是最近的点之一)，并且将最近的点到分隔平面的连线称为支持向量，当支持向量达到最大化时候的平面就设为分隔平面，也即是通过分隔平面将数据最大地分开。本发明采用基于python2的svm模型(参考网站https://www.manning.com/books/machine-learning-in-action)。

2.1.2分类模型集成算法adaboost

adaboost是一种基于错误提升分类器性能的集成方法，通过每一个样本多次训练，通过错误率反复修正分类器最后整合得到集成后的结果。具体方法：首先对样本赋予一样同等的权重。然后在训练数集数据上训练svm并计算该分类器的错误率(ε，公式2)。

错误率ε＝正确分类数目/总样本数目(公式2)

然后调整高斯核函数σ，之后在同一数据集上再次svm。在分类器的第二次训练当中，将会重新调整每个样本的权重(这里的权重是一个多维度的向量)，其中分类正确样本的下次分类权重将会降低，分类错误的样本的下次权重将会提高。也就是说，最终达到分类正确时候的权重会比分类错误的权重占比要大。具体方法是根据错误率计算每个分类器的权重α。

计算出α之后可以对权重进行更新。

分类正确：

分类错误:

α为基本分类器在最终分类器中的权重，ε为分类器的错误率；(t)代表顺序，t代表本次，t+1代表下一次；di为第i个训练样本权值。

计算权值d之后，开始进入下一轮迭代。不断地重复训练和调整权重的过程，直到训练错误率为0或者弱分类器的数目达到指定值。本发明采用基于python2的adaboost集成框架(参考网站https://www.manning.com/books/machine-learning-in-action)

3对数据进行分类和评估

构建好输入训练集和测试集之后，代入构建的adaboost-svm模型中进行分类。通过分类模型的结果与实际患病与否的情况进行比较。通过计算准确率和绘制roc曲线来对结果进行评估。

roc曲线是用于选择最佳的信号模型的方法。通常可计算roc曲线下方面积(auc)来判断分类模型好坏，具体参考表1。

表1

本发明的有益效果在于：

目前缺乏相关的技术来对银屑病数据进行分类和预测，只停留在判断位点有无来推断患病情况。本发明利用有效的机器学习分类器svm进行分类，并通过了adaboost框架来集成svm，提高分类器的准确性。该模型可以整合snp、氨基酸和型别数据进行分类，综合考虑各个维度的信息，提高了数据了分类结果的准确性。

附图说明

图1为高维度空间中用svm模型构建分隔平面的示意图；

图2为本发明训练集分类结果的roc曲线；

图3为本发明测试集分类结果的roc曲线。

具体实施方式

为更好理解本发明，下面结合实施例及附图对本发明作进一步描述，以下实施例仅是对本发明进行说明而非对其加以限定。

实施例1

选择了银屑病30岁以下样本进行研究共计5168例。利用基于python2语言的adaboost-svm模型针对易感位点构建模型进行分类。

1数据的处理和转换

本实施案例中，首先通过变异检测获得样本的变异信息ped和map文件。之后根据易感位点(表2)提取出hla区域变异信息。其中型别(1、2、7)的打分按照编辑距离进行打分(打分矩阵见表3)，氨基酸位点和snp位点(3、4、5、6、8)按照存在与否进行打分，存在打分为1，不存在打分为0。

表2易感位点

表3编辑距离打分矩阵

得到数据列表，由于数据量5168例，所以本案选择2000例作为训练集，余下样本作为测试集。

2代入模型

将处理好的数据代入本发明构建的adaboost-svm模型中进行计算，本案设置9个svm分类器，σ取值从30到3，从大到小逐次递减。

3得到结果

如图2和3所示，本案分类错误率为23.9％，训练集auc(roc曲线下面积)为0.833，测试集auc为0.868，说明本发明在本实施例中达到良好效果。

以上所述实施方式仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的权利要求书确定的保护范围内。