1.一种人工蜂群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，利用扩张、收缩、对称性检测三个阶段，将目标节点分为表型class节点和非class节点两种情况，通过条件互信息计算获取不同节点的马尔可夫毯；
s2，根据得到不同节点的马尔可夫毯，构建包括snp位点和表型class的网络，得到初始蜜源，即初始网络结构；
s3，在不生成环的前提下，基于初始蜜源网络个体，通过随机增加边、删除边、逆转边的操作生成新的网络个体，直到网络个体数量达到最大初始蜜源数目；
s4，在步骤3所得初始蜜源的基础上，通过人工蜂群优化算法的三种蜜蜂行为与贝叶斯网络的bic和mit两种打分函数，对包括snp位点和表型class的贝叶斯网络进行演化，得到较优的贝叶斯网络结构，从而准确快速地获取到影响表型性状的上位性基因位点，其中三种蜜蜂分别为采蜜蜂、观察蜂和侦察蜂。
2.如权利要求1所述的一种人工蜂群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s1步骤前，将基因型数据表示为0，1，2形式的数据，对于特定snp基因型数据，例如at，进行如下表示：aa用0表示，tt用2表示，at/ta用1表示，其中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，表型class取值为0或1，0表示为未患病，1表示为患病。
3.如权利要求1所述的一种人工蜂群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s1步骤中，扩张阶段具体为：在构建非class节点的马尔可夫毯时，假设表型class节点已经加入到目标snp节点的马尔可夫毯中，计算任意一个snp节点与class在目标snp节点条件下的条件互信息，并将所述条件互信息小于阈值的snp位点加入目标节点的马尔可夫毯中；在构建class节点的马尔可夫毯时，假设任意一个snp节点已经加入表型class节点的马尔可夫毯中，计算另外任意一个snp节点与已加入马尔可夫毯的snp节点在class条件下的条件互信息，并将小于阈值的snp位点加入class节点的马尔可夫毯中。
4.如权利要求1所述的一种人工蜂群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s1步骤中，收缩阶段具体为：去除多余节点；对于任意目标节点snp1或者class节点，计算在去除snp2的马尔可夫毯的条件下目标节点snp1与snp2的条件互信息，若所述条件互信息大于阈值，则删除snp2并更新节点snp1的马尔可夫毯。
5.如权利要求1所述的一种人工蜂群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s1步骤中，对称性检测具体为：由于本发明中的方法是基于条件独立性检测，因此任意目标节点马尔可夫毯中的节点之间应该相互依赖，假设snp1存在于snp2的马尔可夫毯中，snp1与snp2应该相互依赖，与之对应，snp2应该存在于snp1的马尔可夫毯中，假如两个节点的马尔可夫毯并不对称，那么分别在两个节点的马尔可夫毯中删除另外一节点。
6.如权利要求1所述的一种人工蜂群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s4步骤中，采蜜蜂阶段具体为：
s40，首先采蜜蜂对初始蜜源的邻域进行搜索，即通过加边、减边、逆转边三种操作对网络结构进行更新；
s41，然后利用bic和mit两种评分函数同时对新的网络结构进行打分，并与初始网络结构的分数进行比较，若新的网络结构优于初始网络结构，则将该网络结构进行保存，并记录该网络结构提高的分数；
s42，最后，根据提高的分数使用轮盘赌的方式随机选择新的网络结构，此时采蜜蜂对其进行采蜜；
以上的网络结构即蜜源。
7.如权利要求6所述的一种人工蜂群优化贝叶斯网络的上位性位点挖掘方法，其特征在于：在所述采蜜蜂阶段的方法中，使网络分数提高越大的操作被选择的概率越大，这不仅可以保证网络演变的正确性，又不至于陷入局部最优，假如轮盘赌方法选择放弃本次加边、减边或者逆转边操作，则说明该蜜源邻域已无更优网络结构，表示该网络结构已是最优的网络结构，此时采蜜蜂对其进行采蜜。
8.如权利要求6所述的一种人工蜂群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s4步骤中，观察蜂阶段具体为：观察蜂阶段和采蜜蜂阶段交替进行，每当采蜜蜂搜索一次邻域得到较优的网络结构之后，观察蜂便对采蜜蜂所在的蜜源进行考察，根据两种打分函数计算对应网络结构的适应度值，然后利用轮盘赌的方式随机选择一个蜜源网络结构，适应度越大的网络结构被认为邻域拥有更优网络结构的可能性越大，被选到的几率也就越大，采蜜蜂对选中网络结构的邻域进行搜索，重复采蜜蜂阶段的操作。
9.如权利要求8所述的一种人工蜂群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s4步骤中，侦察蜂阶段具体为：侦察蜂在采蜜蜂和观察蜂阶段中扮演监督员的角色，记录每个蜜源网络结构的采蜜次数以及最优蜜源网络结构，当某一蜜源网络结构达到最大采蜜次数，则放弃该蜜源，并通过步骤1重新生成新的蜜源网络结构，假如每只采蜜蜂均将对应蜜源开采至最大采蜜次数，则找到最优蜜源，即最优网络结构，此时算法结束。
10.如权利要求1所述的一种人工蜂群优化贝叶斯网络的上位性位点挖掘方法，其特征在于：适应度函数是用于评判网络结构好坏的标准，因此采用bic与mit联合打分的方法对网络的优劣进行判断，同时，由于bic打分函数可以处理的父节点个数有限，因此采用可分解bic打分方法处理较多个数的父节点，进而可以处理规模较大的网络结构。