《Array》：Optimizing Deep Neural Network Using Genetic Algorithm for Hypertension Risk Prediction on Mobile Apps
编辑推荐：
高血压是全球性的重大健康挑战，受遗传、环境及生活方式因素共同影响。单核苷酸多态性（Single Nucleotide Polymorphisms，SNPs）为遗传风险评估提供了机会，可在临床症状出现之前识别遗传易感性升高的个体。本研究提出一种基于SNP的高血压
高血压是全球性的重大健康挑战，受遗传、环境及生活方式因素共同影响。单核苷酸多态性（Single Nucleotide Polymorphisms，SNPs）为遗传风险评估提供了机会，可在临床症状出现之前识别遗传易感性升高的个体。本研究提出一种基于SNP的高血压风险分层混合框架，将深度神经网络（Deep Neural Network，DNN）与遗传算法（Genetic Algorithm，GA）相结合。研究人员利用遗传算法优化DNN的网络架构与训练超参数，从而提升模型在高维基因组数据上的预测性能，并减少模型设计过程中人工反复试错的需求。清洗后的基因型数据集包含2,051个样本和4,586个输入特征。二分类风险标签基于rs699分组构建，而rs699本身被排除在预测变量集合之外，以避免数据泄漏。预处理完成后，数据集中不再存在缺失值。模型性能采用分层5折交叉验证（stratified 5-fold cross-validation）进行评估。为处理类别不平衡问题，仅在训练折内应用合成少数类过采样技术（Synthetic Minority Oversampling Technique，SMOTE），从而保持测试过程无偏，并防止合成样本污染验证数据。所提出的DNN+GA模型通过对DNN架构和训练超参数进行优化，取得了最佳总体性能：准确率为95.63 ± 1.18%，精确率为95.45 ± 1.15%，敏感度为95.20 ± 1.24%，特异度为96.00 ± 1.08%，F1值为95.32 ± 1.17%，受试者工作特征曲线下面积（ROC-AUC）为0.982 ± 0.010。Wilcoxon符号秩检验（Wilcoxon signed-rank test）显示，该模型相较基线DNN具有显著提升，p = 0.043，且效应量r = 0.90，属于大效应。优化后的模型还通过TensorFlow Lite完成部署，以实现轻量化移动端推理。
该文发表于《Array》，研究聚焦于利用高维单核苷酸多态性（Single Nucleotide Polymorphisms，SNPs）基因型数据开展高血压遗传风险分层，并探索遗传算法（Genetic Algorithm，GA）对深度神经网络（Deep Neural Network，DNN）结构与训练超参数的优化效果。研究背景在于，高血压作为全球性公共卫生问题，受生活方式、环境暴露与遗传因素共同作用，传统风险预测方法难以充分刻画复杂遗传结构。既往基于机器学习的方法常依赖预设SNP子集或人工特征选择，容易遗漏重要遗传标记；而深度学习虽具备处理复杂高维数据的潜力，但在SNP这类高维表型弱、特征数庞大的数据上，常面临过拟合、训练成本高以及模型设计依赖经验试错等问题。因此，开展本研究的必要性在于建立一种更适合高维基因组表格数据、具有较好泛化能力并兼顾部署可行性的计算框架。
研究人员围绕基于SNP的高血压遗传风险分层任务，提出了DNN+GA混合模型。该方法将GA引入DNN建模流程，通过进化搜索自动优化网络层数、神经元数量、激活函数、学习率、优化器、dropout率与批量大小等参数，以降低人工调参负担并提升分类性能。研究所使用的数据为清洗后的离线基因型研究副本，共2,051个样本、4,586个输入特征，标签依据rs699基因型构建，其中rs699仅用于标签定义而不进入预测变量，以避免数据泄漏与循环推断。研究结果表明，DNN+GA在准确率、精确率、敏感度、特异度、F1值及ROC-AUC等指标上均优于KNN、朴素贝叶斯、支持向量机（Support Vector Machine，SVM）、标准DNN、长短期记忆网络（Long Short-Term Memory，LSTM）及LSTM+GA等对照模型；同时，统计检验显示其相较标准DNN达到显著改进。研究的重要意义在于：一方面验证了GA对DNN在高维SNP风险分层任务中的优化价值，另一方面证明了优化模型可进一步以TensorFlow Lite形式嵌入移动端，展示出轻量化基因组风险推理的可行性。不过，论文也明确指出，该框架应被理解为基于SNP标签的遗传风险分层概念验证，而非临床确诊型高血压筛查工具。
本研究主要采用以下关键技术方法：首先，对来源于公开归档平台并以GitHub复现实验仓库共享的清洗基因型数据进行独热编码（one-hot encoding）、探索性数据分析（EDA）及无缺失值预处理；随后在分层5折交叉验证框架下，仅于训练折内实施特征相关流程、SMOTE类别平衡处理、GA优化与模型训练，以防数据泄漏；在建模层面，以全连接DNN作为核心分类器，并用GA统一编码整数型、分类型与连续型超参数进行迭代搜索；最后采用准确率、精确率、敏感度、特异度、F1值和ROC-AUC评估性能，并以Wilcoxon符号秩检验比较模型差异，同时将最优模型部署为TensorFlow Lite移动端推理模块。
在研究结果部分，论文首先于“4.1. Results”中给出总体比较结果。研究人员将所提DNN+GA与KNN、Na?ve Bayes、SVM、DNN、LSTM及LSTM+GA在同一清洗SNP数据集上进行对比，并以分层5折交叉验证的均值±标准差汇总性能。结果显示，所提模型取得最佳总体表现：准确率95.63 ± 1.18%，精确率95.45 ± 1.15%，敏感度95.20 ± 1.24%，特异度96.00 ± 1.08%，F1值95.32 ± 1.17%，ROC-AUC为0.982 ± 0.010。这说明GA对DNN架构及训练超参数的联合优化提高了模型的判别能力与稳定性。折间分析进一步显示，该模型在五个折上的准确率为94.10%至97.20%，敏感度为93.60%至97.00%，特异度为94.80%至97.50%，ROC-AUC为0.9680至0.9940，表明模型跨折稳定性较强。
在“4.1.1. Class Imbalance Analysis”中，研究人员专门分析了类别不平衡处理的效果。原始数据集中负类为635例、正类为1,416例，经过分层划分后，仅在训练集内部实施SMOTE，使训练分布平衡为1,133比1,133，而测试集保持不变。该策略使模型敏感度由88.40%提升至94.98%，特异度由82.10%提升至95.60%，ROC-AUC由0.956提升至0.977。由此可见，在不破坏测试集独立性的前提下，面向不平衡数据的训练预处理显著改善了分类质量，尤其提升了模型对两类样本的均衡识别能力。
在“4.1.2. Statistical Significance Testing”中，论文报告了基于折级结果的Wilcoxon符号秩检验。结果显示，所提DNN+GA相较标准DNN的改进最具统计学证据，W = 0.0，Z = -2.02，p = 0.043，效应量r = 0.90，属于大效应；与SVM和LSTM+GA相比，同样表现出较大的效应量，但p值未达到0.05显著性阈值。研究人员据此认为，所提模型相对标准DNN的性能提升具有统计显著性，而相对SVM和LSTM+GA的差异则更适合解释为具有实践意义但在当前5折设置下尚未达到统计显著。
在“4.2. Discussion”中，论文围绕结果的解释、优势与局限进行了归纳。研究人员指出，DNN+GA框架在高维基因型数据上的优势主要体现在预测性能和模型稳定性的同步提升，尤其在敏感度、特异度与ROC-AUC等平衡判别指标上表现突出。分层抽样、仅在训练集应用SMOTE以及5折交叉验证共同构成了较为严格的评估流程，有助于减少类别偏倚和信息泄漏。论文同时承认若干限制：其一，目标变量来自rs699分组，因此本研究预测的是遗传风险标签，而非基于血压测量或医师确认的临床高血压诊断；其二，所有实验均基于单一清洗数据集，缺乏外部验证队列；其三，尽管预处理后无缺失值，但跨人群、跨表型的更广泛基因组验证仍然必要。因此，该框架目前更适合作为SNP遗传风险分层的概念验证。论文还提到，学习曲线显示训练与验证损失间隙有限，仅存在轻微训练—测试差距，提示模型总体学习有效，但仍可能存在轻度过拟合。ROC曲线结果进一步支持模型具有优异区分能力，但这一能力应限定为对遗传风险分组的区分，而不能直接外推为临床诊断效能。关于实际应用层面，研究人员强调TensorFlow Lite移动部署证明了该方法可嵌入轻量级推理系统，适合未来移动基因组风险评估研究，但现阶段尚不能视为面向公共卫生或临床决策的成熟系统。
论文结论部分可译为：本研究提出了一种用于高维基因型数据SNP基础高血压遗传风险分层的深度神经网络（DNN）与遗传算法（GA）混合框架。所提模型在所有评估方法中取得最佳总体性能，在分层5折交叉验证下实现了95.63 ± 1.18%的准确率、95.45 ± 1.15%的精确率、95.20 ± 1.24%的敏感度、96.00 ± 1.08%的特异度、95.32 ± 1.17%的F1值以及0.982 ± 0.010的ROC-AUC。这些结果表明，基于GA的优化能够提升DNN在高维SNP风险分层任务中的预测能力与稳定性。该研究的主要贡献在于，将GA优化与DNN建模相结合，以减少神经网络结构设计中的人工试错，并提高基于基因型特征的模型表现。此外，通过TensorFlow Lite对优化模型进行部署，证明了其在未来基因组风险评估轻量化移动推理中的可行性。尽管如此，本研究仍存在局限，包括目标变量为rs699衍生的遗传风险标签而非临床确诊高血压、缺少外部验证队列，以及尚需在独立人群中开展更广泛验证。未来研究应在独立队列、表型确认标签、更广泛的临床相关基因组标志物及更多人群中验证该框架，并进一步提升模型可解释性、评估其临床适用性。因此，当前框架应被视为一种可复现的SNP基础高血压遗传风险分层概念验证，而非经临床验证的诊断工具。
