PCA与随机森林相结合筛选高信息量SNP位点——应用于羊的品种鉴别

刘月丽; 覃锡忠; 贺三刚; 李文蓉; 王悦; 贾振红; 刘明军; 《计算机工程与应用 》 2018 北大核心 CSCD

摘要：针对品种鉴别中面临的SNP(Single Nucleotide Polymorphisms)数据高维小样本的难点,研究利用少数高信息量SNP位点正确鉴别品种的方法,提出了一种新的SNP位点筛选方法。先利用PCA提取SNP主要位点,随后使用随机森林方法,根据平均精度下降和Gini指数下降对主位点的重要性进行评估,训练分类模型。最后分别选取重要度排名前48和96的位点,以这些位点为分类特征,建立分类模型进行品种鉴别。将该模型应用于6种绵羊Illumina Ovine SNP50的SNP数据。实验表明,可以从46 013个位点中分别筛选出49、96个高信息量位点用于品种鉴别,鉴别准确率达到97%以上。该方法减少了用于品种鉴别的SNP位点个数,降低了品种鉴别成本。

关键词： 主成分分析(PCA) 随机森林 高信息量SNP位点 品种鉴别