陆信蓓 周从华 张付全 张 婷 蒋跃明

（1.江苏大学计算机科学与通信工程学院 镇江 212013）（2.无锡市精神卫生中心 无锡 214151）（3.无锡市妇幼保健院 无锡 214002）（4.无锡市第五人民医院 无锡 214073）

1 引言

单核苷酸多态（Single nucleotide polymorphism，SNP）主要是指在基因组水平上由单个核苷酸的变异所引起的DNA 序列多态性。SNP 数据作为重要的基因变异数据，是目前生物信息学领域中的重要课题之一，其具有数量多、分布广等特点，适合于对复杂性状与疾病的遗传解剖以及基于群体的基因识别等方面的研究。但SNP 数量多而存在的SNP 数据维度高的特点使得SNP 数据中存在较多的冗余和噪声，这就使得从大量的SNP中选择具有代表性的SNP 子集即选择特征SNP 子集势在必行。

由于SNP 数据普遍存在少样本、高维度的问题，和SNP之间存在连锁不平衡性使得SNP位点之间存在强相关性的特点，本文考虑了SNP之间的相关性，将互信息引入K-Means 算法，提出了一种新的聚类算法——K-MIM。并将其与蚁群算法结合应用于SNP选择中，提出一种新的SNP选择方法。

2 相关工作

2.1 SNP选择的研究

目前SNP 子集的选择主要方法包括基于统计的关联研究方法和基于机器学习的特征子集选择方法。全基因组关联研究（Genome-Wide Association Study，GWAS）通过对比患病组和健康组的SNP 位点，可以发现与疾病相关的致病基因，其关键在于提高统计检验效能，降低假阳性。基于机器学习的特征子集选择方法主要包括过滤式和包裹式两种选择策略。其中过滤式选择其优点在于计算量小可以处理大规模数据，但忽略了遗传变异之间的相互作用；……