人工神经网络-紫外光谱法短串联重复序列基因分型检测

以STR基因座D16S539中的总核心重复串数相差较小的10-11,10-12,11-11和10-13基因型为研究对象,以紫外光谱为判别变量,建立了以人工神经网络(ANN)提取富信息变量为基础的ANN基因分型方法。在优化条件下,对4个基因型样本进行了聚合酶链式反应扩增,以扩增样本在200~310 nm范围内的检测光谱进行预处理和偶合的ANN-ANN网络优化。结果表明,提取富信息变量和基因分型的ANN的最优网络结构分别为391-50-391和50-6-4,该结构下的判别模型的校正相对均方根误差(RMS)和预测RMS分别是0.0279和0.0418,模型表现出了良好的稳健性和100%的基因型正确预测率。成功实现了基于紫外光谱对STR基因型的快速、简单和低成本检测。     

基于偶合人工神经网络的近红外光谱对D5S818基因座的分型

本文基于近红外光谱结合化学模式识别中的偶合人工神经网络(ANN-ANN)法研究了一种快速、简单和低成本检测STR基因型的方法。选择STR基因座D5S818的差异较小的10-11、11-11、11-12与11-13基因型作为研究对象,将这四个基因型样本进行标准的PCR扩增并采集PCR产物的近红外光谱,以近红外光谱为判别变量,以其中一个ANN(rich-information-extracted ANN,RIE-ANN)用于提取建立判别模型的富信息变量,另一个ANN(discriminant-model-built ANN,DMB-ANN)即用于模型建立。ANN-ANN的网络结构为:338-30-338(RIE-ANN)和30-8-4(DMB-ANN)。对于校正集的校正均方根误差为0.0148,预测集为0.0127,预测准确率达到100%。成功实现了基于近红外光谱对STR基因型的快速、简单和低成本检测。     

基于主判别变量法的近红外光谱STR基因分型专家系统

基于近红外光谱结合主判别变量算法对短串联重复序列(STR)基因分型专家系统进行研究。选择STR基因座D16S539中6种总核心重复串数不同且出现频率较高的基因型9-9、9-11、9-12、10-10、10-11和11-11作为研究对象。6种基因型样本分别通过两次聚合酶链反应(PCR)平行扩增,以扩增产物的近红外光谱作为判别变量建立判别模型。最后,基于该基因座6种基因型的总核心重复序列数的差异来构建其基因分型专家系统。结果表明:方法适用于不同差异程度的基因型分型,预测准确率高且稳健性好,这为建立其他基因座的分型专家系统提供了可行性。