epiACO - a method for identifying epistasis based on ant Colony optimization algorithm

epiACO相较于普通的蚁群算法加入了适应性函数Svalue，路径选择策略以及路径记忆性策略。其中的Svalue结合了互信息和贝叶斯网络的优点，路径选择策略分为概率路径选择策略和随机路径选择策略，路径记忆性策略顾名思义，就是指会保留上一次迭代的备选路径，并且和本次迭代结果进行比较。

本论文将epiACO算法和epiMODE, TEAM, BOOST, SNPRuler, AntEpiseeker, AntMiner, MACOED, IACO 进行了比较，使用了相同的模拟数据以及老年斑病症的真实数据。

GWAS现在在研究复杂疾病的领域有着重要的角色，也证实了很多SNP位点和疾病相关联。可是大多数SNP位点只能解释符合孟德尔规律的疾病，对于非孟德尔规律的疾病无能为力。最近在GWAS的研究中发现SNP间的非线性关系（epistasis 异位显性）可以解释大部分复杂疾病的遗传率。

目前异位显性（epistasis）检测方法大致可以根据其搜索策略分为以下三种：全面搜索、随机搜索和启发式搜索。

全面搜索：计算所有SNP位点与表型的关联，代表算法有BOOST、TEAM、MDR , 其中MDR算法是该搜索策略中最流行的，但其搜索时间较长，只限于小数据集。

随机搜索：该搜索策略依赖数据集大小，因此不适合全基因组规模的大数据集。代表算法有epiMODE、epiForest、BEAM。

启发式搜索：根据启发式信息和先验概率充分减少时间复杂度，但启发式搜索容易丢失全局最优解，陷入局部最优。代表性算法有SNPRuler。

很多蚁群优化算法都属于启发式搜索。AntEpiSeeker有两个阶段，需要大量的蚂蚁数和迭代次数才可以找到可接受解。AntMiner将启发式信息加入了蚂蚁选择路径的策略中，相比其他算法而言，有着广泛的搜索能力，但时间成本较高。MACOED是一种监督启发式搜索策略，综合了逻辑回归和贝叶斯网络，虽然该算法在搜索能力和计算可行性方面都比较出众，但是其信息素更新策略并没有十分有效。