(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111423909.4 (22)申请日 2021.11.26 (71)申请人 安徽大学 地址 230000 安徽省合肥市九龙路1 11号 (72)发明人 夏俊峰　张涛　郑春厚　 (74)专利代理 机构 合肥汇融专利代理有限公司 34141 代理人 赵宗海 (51)Int.Cl. G16B 20/50(2019.01) G06N 20/00(2019.01) (54)发明名称 一种基于选择集成技术的致病同义突变预 测方法 (57)摘要 本发明公开了一种基于选择集成技术的致 病同义突变预测方法， 包括以下步骤： (1)数据获 取； (2)数据预处理： 对获取的数据集利用集成的 K近邻缺失值填充 算法进行缺失值填充； (3)模型 构建： 使用随机欠采样方法对不平衡数据进行处 理， 得到多套平衡训练集， 利用该训练集训练多 个基模型， 构建模型池， 再基于多样性对模型池 中的模型进行选择集成； (4)模型训练： 将不平衡 基准训练集划分为构建模型的训练集和进行模 型评估和参数优化的验证集， 最后通过集成最优 参数下的五折交叉验证模型得到最终模型； (5) 模型预测。 本发 明通过采用随机欠采样技术和选 择集成技术对同义突变领域的不平衡数据进行 建模， 具有较好的识别能力和覆盖能力。 权利要求书2页 说明书7页 附图1页 CN 114121155 A 2022.03.01 CN 114121155 A 1.一种基于 选择集成技 术的致病同义 突变预测方法， 其特 征在于， 包括以下步骤： (1)数据获取： 从已发表的文献中获取不平衡的基准训练集和两套独立测试集； (2)数据预处理： 对获取的数据集利用集成的K近邻缺失值填充算法对数据进行缺失值 填充； (3)模型构建： 使用随机欠采样的方法对不平衡数据进行处理， 得到多套平衡训练集， 利用该训练集训练多个基模型， 构建模型池， 再利用选择集成技术对模型池中的模型进行 选择集成， 具体过程如下： S31.输入数据记为D， 其中正样本记为P， 负 样本记为 N， 其中|P| ＜|N|； S32.对负样本N进行k次欠采样得到N的k个子集{N1， N2，…， Nk}， 其中|Ni|＝|P|且i∈{1， 2，…， k}； S33.由{N1， N2，…， Nk}和P得到{D1， D2，…， Dk}， 其中Di＝Ni∪P； S34.分别 利用D1， D2，…， Dk训练基分类 器C1， C2，…， Ck； S35.基分类 器Ci与基分类 器Cj之间的双失败度量Si， j可以由下式计算得到： Si， j＝N00 其中N00表示给定数据集上Ci和Cj都预测错误的样本数， 然后通过下式估计基模型Ci的 多样性度量di： S36.利用S5计算模型池中基模型Ci的多样度量di， 依据di对模型池进行排序， 选择前n 个基分类器记为{h1…， hn}， 其中对新数据集x， 集成系统H的预测结果 为： (4)模型训练： 将不平衡基准训练集划分为训练集和验证集， 利用训练集构建模型， 利 用验证集进行模型评估和参数优化， 最后通过集成最优参数下的五折交叉验证模型， 得到 最终模型； (5)模型预测： 使用构建好的模型对外来测试集进行 预测， 获取其 致病概率值。 2.根据权利要求1所述的一种基于选择集成技术的致病同义突变预测方法， 其特征在 于， 步骤(2)中所述K近邻缺失值 填充算法的具体步骤如下： S21.输入不平衡数据集记为D， 其中正样本(少 数样本)记为P， 负样本(多数样本)记为 N， 其中|P| ＜|N|； S22.对负样本N进行m次欠采样得到负样本的子集集合{N1， N2，…， Nm}， 其中|Ni|＝|P|且 i∈{1， 2， …， m}； S23.由{N1， N2，…， Nm}和P得到数据集 合{D1， D2，…， Dm}， 其中Di＝Ni∪P； S24.分别 利用数据集D1， D2，…， Dm构建K近邻缺失值 填充模型f1， f2，…， fm； S25.给定含有缺失值的数据X ′， 完整数据X由下式得到：权　利　要　求　书 1/2 页 2 CN 114121155 A 2其中fi(X')表示 缺失值填充模型fi对数据X'的缺失值 填充后得到的结果。 3.根据权利要求1所述的一种基于选择集成技术的致病同义突变预测方法， 其特征在 于， 步骤S34中所述基分类 器Ci的学习算法为CART决策树或支持向量机或逻辑回归。 4.根据权利要求1所述的一种基于选择集成技术的致病同义突变预测方法， 其特征在 于， 步骤(4)中所述 最终模型 是通过集成最优参数 下的五折交叉验证模型 得到的。 5.根据权利要求1所述的一种基于选择集成技术的致病同义突变预测方法， 其特征在 于， 步骤(5)进行预测时， 外部数据经过缺失值处理后可以直接输入到模型中进行预测， 获 得致病概 率。权　利　要　求　书 2/2 页 3 CN 114121155 A 3