用机器学习的方法识别致病非同义核苷酸多态性将有助于人们理解人类疾病的遗传学基础
江瑞
基于集成学习方法识别导致人类疾病的遗传变异[EB/OL]
北京:中国科技论文在线
基于集成学习方法的机器学习方法可以更有效地识别致病非同义核苷酸多态性
文章把致病非同义核苷酸多态性的识别问题建模为二值分类问题
识别与人类遗传疾病相关的遗传变异因素成为生物信息学中的一个热点
发生在蛋白质编码区的非同义核苷酸多态性(Nonsynonymous single nucleotide polymorphisms, nsSNPs)将直接改变蛋白质序列并影响其功能
文章比较了5种常见的集成学习方法(AdaBoost、LogitBoost、随机森林、L2boosting算法和随机梯度回归算法)和两种传统分类方法(决策树、支持向量机)在这一分类问题中的性能