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

来源：计算机工程与应用杂志2018年第16期北京时间：

作者：刘月丽1，覃锡忠1，贺三刚2，李文蓉2，王 悦1，贾振红1，刘明军2

单位：1.新疆大学 信息科学与工程学院，乌鲁木齐 830046；2.新疆畜牧科学院 生物技术研究所，农业部草食家畜繁育生物技术重点开放实验室，新疆维吾尔自治区动物生物技术重点实验室，乌鲁木齐 830046

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 OvineSNP50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