CN114820460B - 一种单基因位点与时序脑图像关联分析的方法及装置 - Google Patents

Abstract

本发明涉及一种单基因位点与时序脑图像关联分析的方法及装置，对预先获取的基因和脑图像进行预处理，去除不相关的信息；考虑到时序脑图像的结构信息，引入排差项来学习脑图像的偏序组结构信息，建立基于排差项的单基因与时序脑图像的关联分析方法；引入关系诱导项来学习不同时间点之间的关系，建立排差性关系学习模型，进一步探索基因和时序图像之间的关联关系，更好地理解大脑潜在机制；将认知评分结果整合到排差性关系学习模型中，利用认知评分辅助挖掘基因与脑图像的关联关系，建立认知评分相关的排差性关系学习模型并进行优化处理，得到与基因相关的时序脑图像特征信息。本发明能够充分地利用脑图像数据来分析基因与时序脑图像的关联关系。

Description

一种单基因位点与时序脑图像关联分析的方法及装置

技术领域

本发明属于基于影像遗传学的图像分析领域，具体涉及一种单基因位点与时序脑图像关联分析的方法及装置。

背景技术

脑影像遗传学(brain imaging genetics)是结合多模态神经影像学和遗传学方法，检测与影响认知和情绪调节等行为相关脑结构和功能的遗传变异。其运用脑影像技术将脑的结构与功能作为表型来评价基因对个体的影响，探讨基因是如何影响大脑的神经结构和功能。研究遗传与大脑结构和功能的相关性，在“基因与脑”和“脑与行为”之间架起一座看得见的桥梁。

在现有的研究工作中，已有部分文献指出，整合基因和脑图像能更好地理解大脑潜在机制。需要注意的是，首先，在大多数研究中，通常不考虑特定时间点脑图像所包含的独特结构信息。传统的方法主要关注所有图像之间的共享特征，很容易忽略上述结构特征，这对理解大脑潜在机制是不利的。其次，现有方法未考虑不同时间点各图像之间的关系，降低了对大脑机制的理解能力，因此，我们尝试引入关系学习项，以促进对大脑机制的理解。最后，由于来自不同时间点的认知评分能够为了解大脑潜在机制提供重要信息，而现有方法未考虑认知评分对关联分析的影响，因此将认知评分结果整合到关联模型中，利用认知评分辅助挖掘基因与脑图像的关联关系，建立认知评分相关的基因与时序脑图像的关联分析模型，来观测和理解人脑的状态。

发明内容

发明目的：本发明旨在设计一种单基因位点与时序脑图像关联分析的方法及装置，能够充分利用样本时序磁共振图像，从而分析基因与脑图像的关联关系。

技术方案：本发明所述的一种单基因位点与时序脑图像关联分析的方法，包括以下步骤：

(1)对预先获取的基因和时序脑图像进行预处理，去除不相关的信息；

(2)考虑时序脑图像的结构信息，引入排差项来学习脑图像的偏序组结构信息，建立基于排差项的单基因与时序脑图像的关联分析方法；

(3)引入关系诱导项来学习不同时间点之间的关系，建立排差性关系学习模型，用于探索基因和时序图像之间的关联关系，以便更好地理解大脑潜在机制；

(4)将认知评分结果整合到排差性关系学习模型中，利用认知评分辅助挖掘基因与脑图像的关联关系，建立认知评分相关的排差性关系学习模型；

(5)对认知评分相关的排差性关系学习模型进行优化处理，得到与基因相关的时序脑图像特征信息。

进一步地，所述步骤(2)通过以下公式实现：

其中，Y_t和X_t分别是指单基因和时序脑图像，v_t表示权重，反映已识别判别函数中每个特征的贡献；T是指所有的时间点；p是指脑图像的特征维数；Vⁱ是指权重矩阵V的第i行；是指排差项，捕捉相邻时间点之间大脑的连续变化，并揭示特定时间点图像中传达的结构信息。

进一步地，所述步骤(3)通过以下公式实现：

其中，λ_v和λ_Ω表示正则化参数，tr(·)是计算矩阵迹的算子，Ω^-1是矩阵Ω的逆矩阵，Ω表示每个时间点的协方差矩阵；Ω≥0将Ω约束为半正定矩阵，tr(Ω)＝1作为惩罚项，用于限制Ω的复杂性。

进一步地，步骤(4)所述认知评分相关的排差性关系学习模型为：

s.t.Ω≥0,tr(Ω)＝1

其中，Z_t表示认知评分，λ表示正则化参数。

进一步地，所述步骤(5)实现过程如下：

(51)更新权重矩阵V，保持协方差矩阵Ω固定，得到排差项的平滑逼近函数为：

其中，μ表示正平滑度参数，Wⁱ(Vⁱ)表示q_μ(V¹)的唯一最小值；当保持Vⁱ固定时，改写为

(52)对于是利普希茨连续的且常数为/>获得认知评分相关的排差性关系学习模型的第i列梯度：

(53)更新协方差矩阵Ω，保持权重矩阵V固定，认知评分相关的排差性关系学习模型表示为：

s.t.Ω≥0，tr(Ω)＝1

该方程偏导数设置为零，得到

(54)经过(51)-(53)的迭代优化，得到与基因相关的时序脑图像特征。

基于相同的发明构思，本发明还提供一种单基因位点与时序脑图像关联分析的装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时实现所述的单基因位点与时序脑图像关联分析的方法。

有益效果：与现有技术相比，本发明的有益效果：本发明能够充分地利用脑图像数据来分析基因与时序脑图像的关联关系；具体来说，首先，本发明使用排差项来充分挖掘特定时间点的独特信息，从而提高了脑图像和基因数据信息的利用；然后，本发明引进了不同时间点之间的关系，以探索基因型与时序脑图像之间的关联，更好地了解大脑功能的潜在机制；最后，本发明将临床评分结果整合到关联模型中，以建立与结果相关的影像遗传关联分析模型，发现了与基因相关的时序脑图像特征，以指导人类大脑变化的解释和机制。

附图说明

图1为单基因位点与时序脑图像关联分析的方法的流程图。

具体实施方式

下面结合附图对本发明做进一步详细说明。

本发明他提出一种单基因位点与时序脑图像关联分析的方法，考虑到脑影像与基因的密切关联性，本发明首先考虑到脑图像的结构信息，引入排差项来学习脑图像的偏序组结构信息；其次，引入关系诱导项来学习不同时间点脑图像之间的关系，用于探索基因和时序图像之间的关联关系，以便更好地理解大脑潜在机制；最后，将认知评分结果整合到该关联模型中，利用认知评分辅助挖掘基因与脑图像的关联关系，建立认知评分相关的排差性关系学习模型，并设计一种近似交替优化策略来对此模型进行求解，得到与基因相关的时序脑图像。如图1所示，具体包括如下步骤：

步骤1：对预先获取的基因和时序脑图像进行预处理，去除不相关的信息。

步骤2：考虑到时序脑图像的结构信息，引入排差项来学习脑图像的偏序组结构信息，建立基于排差项的单基因与时序脑图像的关联分析方法；

其中，Y_t和X_t分别是指单基因和时序脑图像，v_t表示权重，它反映了已识别判别函数中每个特征的贡献。T是指所有的时间点，p是指脑图像的特征维数。Vⁱ是指权重矩阵V的第i行；是指排差项，它假设为所有时间点选择的共同图像特征都是竞争性的，可以捕捉相邻时间点之间大脑的连续变化，并有助于揭示特定时间点图像中传达的结构信息。

步骤3：引入关系诱导项来学习不同时间点之间的关系，建立排差性关系学习模型，用于进一步探索基因和时序图像之间的关联关系，以便更好地理解大脑潜在机制，即：

s.t.Ω≥0，tr(Ω)＝1

其中，λ_v和λ_Ω表示正则化参数。tr(·)是计算矩阵迹的算子。Ω^-1是矩阵Ω的逆矩阵，Ω表示每个时间点的协方差矩阵。通过在时序分析中引入不同时间点各图像之间的关系，有利于学习权重矩阵。基因型之间的相关信息有助于观测来自相邻时间点的数据之间的平滑变化。Ω≥0用于将Ω约束为半正定矩阵，tr(Ω)＝1作为惩罚项，用于限制Ω的复杂性。

步骤4：由于来自不同时间点的认知评分能够为了解大脑潜在机制提供重要信息，因此将认知评分结果整合到排差性关系学习模型中，利用认知评分辅助挖掘基因与脑图像的关联关系，建立认知评分相关的排差性关系学习模型：

s.t.Ω≥0，tr(Ω)＝1

其中，将Z_t表示为认知评分，λ表示正则化参数。上述的认知评分相关的排差性关系学习模型，能够充分地挖掘和描述时序脑图像的结构关系信息，可以更好地发现和选择与基因相关的时序脑图像特征。

步骤5：对认知评分相关的排差性关系学习模型进行优化处理，得到与基因相关的时序脑图像特征信息。具体包括以下步骤：

1)权重矩阵V，保持协方差矩阵Ω固定：由于排差项是非光滑，因此步骤4中的认知评分相关的排差性关系学习模型是凸的但非光滑的。因此，可以得到排差项的平滑逼近函数为：

其中，μ表示正平滑度参数。Wⁱ(Vⁱ)表示q_μ(V¹)的唯一最小值。当保持Vⁱ固定时，可以改写为

2)对于是利普希茨连续的且常数为/>因此，可以通过以下方式获得步骤四中的认知评分相关的排差性关系学习模型的第i列梯度：

3)更新Ω，保持V固定：步骤4中的认知评分相关的排差性关系学习模型可以表示为：

s.t.Ω≥0，tr(Ω)＝1

该方程偏导数设置为零，可以得到

4)经过1)～3)的迭代优化，得到与基因相关的时序脑图像特征。

最终检测所有与基因相关的时序脑图像特征是否直通。若是，则输出与基因相关的时序脑图像特征，分析输出的与基因相关的脑图像特征，从而更好地理解大脑潜在机制。否则，重回到基因和脑图像预处理步骤。

基于相同的发明构思，本发明还提供一种单基因位点与时序脑图像关联分析的装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时实现所述的单基因位点与时序脑图像关联分析的方法。

本发明用MATLAB软件在基因和脑图像数据集上对上述方法进行测试。为了验证本发明方法的有效性，本实施例在真实ADNI数据集上评估本发明方法的性能。使用了时序脑图像和对应的基因，其中包括176个样本。本发明不仅实现了强关联，而且发现了与基因相关的时序脑图像特征，以指导人类大脑变化的解释和机制。相对于现有的方法选择出了杂乱无章的脑图像特征，本发明不仅实现了强关联，而且在各时间点上发现了与基因相关的一致的脑图像特征，以指导人类大脑变化的解释和机制。

本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (2)

1.一种单基因位点与时序脑图像关联分析的方法，其特征在于，包括以下步骤：

(1)对预先获取的基因和时序脑图像进行预处理，去除不相关的信息；

(2)考虑时序脑图像的结构信息，引入排差项来学习脑图像的偏序组结构信息，建立基于排差项的单基因与时序脑图像的关联分析方法；

(3)引入关系诱导项来学习不同时间点之间的关系，建立排差性关系学习模型，用于探索基因和时序图像之间的关联关系，以便更好地理解大脑潜在机制；

(4)将认知评分结果整合到排差性关系学习模型中，利用认知评分辅助挖掘基因与脑图像的关联关系，建立认知评分相关的排差性关系学习模型；

(5)对认知评分相关的排差性关系学习模型进行优化处理，得到与基因相关的时序脑图像特征信息；

所述步骤(2)通过以下公式实现：

其中，Y_t和X_t分别是指单基因和时序脑图像，v_t表示权重，反映已识别判别函数中每个特征的贡献；T是指所有的时间点；p是指脑图像的特征维数；Vⁱ是指权重矩阵V的第i行；是指排差项，捕捉相邻时间点之间大脑的连续变化，并揭示特定时间点图像中传达的结构信息；

所述步骤(3)通过以下公式实现：

s.t.Ω≥0，tr(Ω)＝1

其中，λ_v和λ_Ω表示正则化参数，tr(·)是计算矩阵迹的算子，Ω^-1是矩阵Ω的逆矩阵，Ω表示每个时间点的协方差矩阵；Ω≥0将Ω约束为半正定矩阵，tr(Ω)＝1作为惩罚项，用于限制Ω的复杂性；

步骤(4)所述认知评分相关的排差性关系学习模型为：

s.t.Ω≥0，tr(Ω)＝1

其中，Z_t表示认知评分，λ表示正则化参数；

所述步骤(5)实现过程如下：

(51)更新权重矩阵V，保持协方差矩阵Ω固定，得到排差项的平滑逼近函数为：

其中，μ表示正平滑度参数，Wⁱ(Vⁱ)表示q_μ(V¹)的唯一最小值；当保持Vⁱ固定时，改写为

(52)对于是利普希茨连续的且常数为/>获得认知评分相关的排差性关系学习模型的第i列梯度：

(53)更新协方差矩阵Ω，保持权重矩阵V固定，认知评分相关的排差性关系学习模型表示为：

s.t.Ω≥0，tr(Ω)＝1

将偏导数设置为零，得到/>

(54)经过(51)—(53)的迭代优化，得到与基因相关的时序脑图像特征。

2.一种单基因位点与时序脑图像关联分析的装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时实现根据权利要求1任一项所述的单基因位点与时序脑图像关联分析的方法。