基于基因关联分析的贝叶斯网络疾病样本分类算法

doi:10.11772/j.issn.1001-9081.2024030398

《计算机应用》唯一官方网站 ›› 2024, Vol. 44 ›› Issue (11): 3449-3458.DOI: 10.11772/j.issn.1001-9081.2024030398

基于基因关联分析的贝叶斯网络疾病样本分类算法

李志杰¹, 廖旭红¹(), 李元香², 李青蓝³

^1.湖南理工学院信息科学与工程学院，湖南岳阳 414006
^2.武汉大学计算机学院，武汉 430072
^3.宾夕法尼亚大学医学院，美国宾夕法尼亚费城 19019

收稿日期:2024-04-08 修回日期:2024-06-28 接受日期:2024-07-12 发布日期:2024-08-05 出版日期:2024-11-10
通讯作者: 廖旭红
作者简介:李志杰（1964—），男，湖南永兴人，副教授，博士，CCF会员，主要研究方向：计算生物学、数据挖掘
李元香（1962—），男，湖北监利人，教授，博士，主要研究方向：智能计算、机器学习
李青蓝（1993—），男，湖南双牌人，博士，主要研究方向：表观遗传学、生物信息学。
基金资助:
国家自然科学基金资助项目(61672391);湖南省自然科学基金资助项目(2019JJ40111)

Disease sample classification algorithm by Bayesian network with gene association analysis

Zhijie LI¹, Xuhong LIAO¹(), Yuanxiang LI², Qinglan LI³

^1.School of Information Science and Engineering，Hunan Institute of Science and Technology，Yueyang Hunan 414006，China
^2.School of Computer Science，Wuhan University，Wuhan Hubei 430072，China
^3.Perelman School of Medicine，University of Pennsylvania，Philadelphia Pennsylvania 19019，USA

Received:2024-04-08 Revised:2024-06-28 Accepted:2024-07-12 Online:2024-08-05 Published:2024-11-10
Contact: Xuhong LIAO
About author:LI Zhijie， born in 1964， Ph. D.， associate professor. His research interests include computational biology， data mining.
LI Yuanxiang， born in 1962， Ph. D.， professor. His research interests include intelligent computing， machine learning.
LI Qinglan， born in 1993， Ph. D. His research interests include epigenetics， bioinformatics.
Supported by:
National Natural Science Foundation of China(61672391);Natural Science Foundation of Hunan Province(2019JJ40111)

摘要/Abstract

摘要：

基因表达数据作为生物学中一种特定类型的大数据，尽管基因表达值都是普通的实数值，但它们的相似性不是基于欧氏距离度量，而是基于基因表达值是否展现同升同降趋势。目前的基因贝叶斯网络以基因表达水平值为节点随机变量，没有体现这种子空间模式的相似性。因此，提出基于基因关联分析的贝叶斯网络疾病分类算法（BCGA），从带类标签的疾病样本-基因表达数据中学习贝叶斯网络并预测新疾病样本的分类。首先，将疾病样本离散化过滤以选择基因，并将降维后的基因表达值排序和置换为基因列下标；其次，分解基因列下标序列为长度为2的原子序列集合，而这个集合的频繁原子序列对应一对基因的关联关系；最后，通过基因关联熵度量因果关系，并用于贝叶斯网络结构学习。BCGA的参数学习也变得很容易，基因节点的条件概率分布只要统计该基因的原子序列和父节点基因的原子序列出现频次即可。在多个肿瘤和非肿瘤基因表达数据集上的实验结果表明，相较于已有的同类算法，BCGA的疾病分类准确率明显提高，分析时间有效缩短；另外，BCGA使用基因关联熵代替条件独立性，使用基因原子序列代替基因表达值，可以更好地拟合基因表达数据。

关键词: 基因表达数据, 频繁原子序列, 基因关联熵, 基因序列贝叶斯网络, 疾病分类

Abstract:

As a specific type of big data in biology， similarity of gene expression data is not based on Euclidean distance but on whether gene expression values show a trend of both rise and fall together， although they are all ordinary real values. The current gene Bayesian network uses gene expression level values as node random variables and does not reflect the similarity of this kind of subspace pattern. Therefore， a Bayesian network disease Classification algorithm based on Gene Association analysis （BCGA） was proposed to learn Bayesian networks from labeled disease sample-gene expression data and predict the classification of new disease samples. Firstly， disease samples were discretized and filtered to select genes， and the dimensionally reduced gene expression values were sorted and replaced with gene column subscripts. Secondly， the subscript sequence of gene column was decomposed into a set of atomic sequences with a length of 2， and the frequent atomic sequence of this set was corresponding to the association of a pair of genes. Finally， causal relationships were measured through gene association entropy for Bayesian network structure learning. Besides， the parameter learning of BCGA became easy， and the conditional probability distribution of a gene node was able to be obtained by counting the atomic sequence occurrence frequency of the gene and its parent node gene. Experimental results on multiple tumor and non-tumor gene expression datasets show that BCGA significantly improves disease classification accuracy and effectively reduces analysis time compared to the existing similar algorithms. In addition， BCGA uses gene association entropy instead of conditional independence， and gene atomic sequences instead of gene expression values， which can better fit gene expression data better.

Key words: gene expression data, frequent atomic sequence, gene association entropy, gene sequence Bayesian network, disease classification

中图分类号:

TP181

李志杰, 廖旭红, 李元香, 李青蓝. 基于基因关联分析的贝叶斯网络疾病样本分类算法[J]. 计算机应用, 2024, 44(11): 3449-3458.

Zhijie LI, Xuhong LIAO, Yuanxiang LI, Qinglan LI. Disease sample classification algorithm by Bayesian network with gene association analysis[J]. Journal of Computer Applications, 2024, 44(11): 3449-3458.

图/表 17

参考文献 23

1	YANG X， WANG Z， SUN J， et al. Unlabeled data driven cost-sensitive inverse projection sparse representation-based classification with 1/2 regularization［J］. SCIENCE CHINA Information Sciences， 2022， 65（8）： No.182102.
2	姜涛，李战怀.基因数据表达中的局部模式挖掘研究综述［J］. 计算机研究与发展，2018，55（11）：2343-2360.
	JIANG T， LI Z H. A survey on local pattern mining in gene expression data［J］. Journal of Computer Research and Development， 2018， 55（11）： 2343-2360.
3	CHADDAD A， LU Q， LI J， et al. Explainable， domain-adaptive， and federated artificial intelligence in medicine［J］. IEEE/CAA Journal of Automatica Sinica， 2023， 10（4）： 859-876.
4	PAN H， ZHANG Y， CHENG J， et al. Symplectic geometry transformation-based periodic segment method： algorithm and applications［J］. IEEE Transactions on Instrumentation and Measurement， 2023， 72： No.6502708.
5	樊航旗.基于集成学习的贝叶斯因果森林研究［D］.长春：吉林大学，2022：7-20.
	FAN H Q. Research of Bayesian causal forest based on ensemble learning［D］. Changchun： Jilin University， 2022： 7-20.
6	SHEN T， ZHANG J， JIA X， et al. Federated mutual learning： a collaborative machine learning method for heterogeneous data， models， and objectives［J］. Frontiers of Information Technology and Electronic Engineering， 2023， 24（10）： 1390-1402.
7	JIANG L， ZHANG L， YU L， et al. Class-specific attribute weighted naive Bayes［J］. Pattern Recognition， 2019， 88： 321-330.
8	YAO H， SHE J， ZHOU Y. Risk assessment of construction safety accidents based on association rule mining and Bayesian network［J］. Journal of Intelligent Construction， 2024， 2： No.9180015.
9	MA Y， ZHANG W， DU M， et al. Hierarchical Bayesian causality network to extract high-level semantic information in visual cortex［J］. International Journal of Neural Systems， 2024， 34（1）： No.2450002.
10	WANG L， QI S， LIU Y， et al. Bagging k-dependence Bayesian network classifiers［J］. Intelligent Data Analysis， 2021， 25（3）： 641-667.
11	LIU Y， WANG L， MAMMADOV M. Learning semi-lazy Bayesian network classifier under the c.i.i.d assumption［J］. Knowledge-Based Systems， 2020， 208： No.106422.
12	HECKERMAN D. A Bayesian approach to learning causal networks［C］// Proceedings of the 11th Conference on Uncertainty in Artificial Intelligence. San Francisco： Morgan Kaufmann Publishers Inc.， 1995： 285-295.
13	KONG H， SHI X， WANG L， et al. Averaged tree-augmented one-dependence estimators［J］. Applied Intelligence， 2021， 51（7）： 4270-4286.
14	鱼亮，任姝洁.基于网络和基因差异表达信息的癌症致病基因预测［J］. 中国科学：生命科学，2023，53（1）：94-108.
	YU L， REN S J. Prediction of cancerous pathogenic genes based on network and gene differential expression information［J］. SCIENTIA SINICA Vitae， 2023， 53（1）： 94-108.
15	LI X， CHANG M， WANG L. Information recognition of pathogenic modules in gene statistics of big data［J］. Nanomaterials and Energy， 2021， 10（1）： 35-42.
16	WANG C， ZHANG J， WANG X， et al. Pathogenic gene prediction algorithm based on heterogeneous information fusion［J］. Frontiers in Genetics， 2020， 11： No.5.
17	ZHU J F， HAO Z K， LIU Q， et al. Towards exploring large molecular space： an efficient chemical genetic algorithm［J］. Journal of Computer Science and Technology， 2022， 37（6）： 1464-1477.
18	WANG L， CHEN P， CHEN S， et al. A novel approach to fully representing the diversity in conditional dependencies for learning Bayesian network classifier［J］. Intelligent Data Analysis， 2021， 25（11）： 35-55.
19	SUN J， TAYLOR D， BOLLT E M. Causal network inference by optimal causation entropy［J］. SIAM Journal on Applied Dynamical Systems， 2015， 14（3）： 73-106.
20	DUAN Z， WANG L， CHEN S， et al. Instance-based weighting filter for superparent one-dependence estimators［J］. Knowledge-Based Systems， 2020， 203： No.106085.
21	JIANG L， ZHANG L， LI C， et al. A correlation-based feature weighting filter for naive Bayes［J］. IEEE Transactions on Knowledge and Data Engineering， 2019， 31（2）： 201-213.
22	JIANG L， CAI Z， WANG D， et al. Improving tree augmented naive Bayes for class probability estimation［J］. Knowledge-Based Systems， 2012， 26： 239-245.
23	CABUZ S， ABREU G. Causal inference for multivariate stochastic process prediction［J］. Information Sciences， 2018， 448/449： 134-148.

样本	g₁	g₂	g₃	g₄	g₅	g₆
s₁（-）	0.155	0.076	0.284	0.097	0.013	0.023
s₂（-）	0.217	0.084	0.409	0.138	-0.159	0.129
s₃（-）	0.375	0.115	-0.201	0.254	-0.094	-0.181
s₄（-）	0.238	0.000	0.150	0.165	-0.191	0.132
s₅（-）	-0.073	-0.146	0.442	-0.077	-0.341	0.063
s₆（-）	0.394	0.909	0.443	0.818	1.070	0.227
s₇（+）	0.385	0.822	0.426	0.768	1.013	0.226
s₈（+）	0.329	0.690	0.244	0.550	0.790	0.327
s₉（+）	0.384	0.730	0.066	0.529	0.852	0.313
s₁₀（+）	-0.316	-0.191	0.202	-0.140	0.043	0.076

样本	g₁	g₂	g₃	g₄	g₅	g₆
s₁（-）	0.155	0.076	0.284	0.097	0.013	0.023
s₂（-）	0.217	0.084	0.409	0.138	-0.159	0.129
s₃（-）	0.375	0.115	-0.201	0.254	-0.094	-0.181
s₄（-）	0.238	0.000	0.150	0.165	-0.191	0.132
s₅（-）	-0.073	-0.146	0.442	-0.077	-0.341	0.063
s₆（-）	0.394	0.909	0.443	0.818	1.070	0.227
s₇（+）	0.385	0.822	0.426	0.768	1.013	0.226
s₈（+）	0.329	0.690	0.244	0.550	0.790	0.327
s₉（+）	0.384	0.730	0.066	0.529	0.852	0.313
s₁₀（+）	-0.316	-0.191	0.202	-0.140	0.043	0.076

样本	基因表达值降序排序	基因列下标序列
s₁（-）	0.284（g₃）→0.155（g₁）→0.097（g₄）→0.076（g₂）→0.023（g₆）→0.013（g₅）	3→1→4→2→6→5
s₂（-）	0.409（g₃）→0.217（g₁）→0.138（g₄）→0.129（g₆）→0.084（g₂）→-0.159（g₅）	3→1→4→6→2→5
s₃（-）	0.375（g₁）→0.254（g₄）→0.115（g₂）→-0.094（g₅）→-0.181（g₆）→-0.201（g₃）	1→4→2→5→6→3
s₄（-）	0.238（g₁）→0.165（g₄）→0.150（g₃）→0.132（g₆）→0.000（g₂）→-0.191（g₅）	1→4→3→6→2→5
s₅（-）	0.442（g₃）→0.063（g₆）→-0.073（g₁）→-0.077（g₄）→-0.146（g₂）→-0.341（g₅）	3→6→1→4→2→5
s₆（-）	1.070（g₅）→0.909（g₂）→0.818（g₄）→0.443（g₃）→0.394（g₁）→0.227（g₆）	5→2→4→3→1→6
s₇（+）	1.013（g₅）→0.822（g₂）→0.768（g₄）→0.426（g₁）→0.385（g₆）→0.226（g₃）	5→2→4→1→6→3
s₈（+）	0.790（g₅）→0.690（g₂）→0.550（g₄）→0.329（g₁）→0.327（g₆）→0.244（g₃）	5→2→4→1→6→3
s₉（+）	0.852（g₅）→0.730（g₂）→0.529（g₄）→0.384（g₁）→0.313（g₆）→0.066（g₃）	5→2→4→1→6→3
s₁₀（+）	0.202（g₃）→0.076（g₆）→0.043（g₅）→-0.140（g₄）→-0.191（g₂）→-0.316（g₁）	3→6→5→4→2→1

样本	基因表达值降序排序	基因列下标序列
s₁（-）	0.284（g₃）→0.155（g₁）→0.097（g₄）→0.076（g₂）→0.023（g₆）→0.013（g₅）	3→1→4→2→6→5
s₂（-）	0.409（g₃）→0.217（g₁）→0.138（g₄）→0.129（g₆）→0.084（g₂）→-0.159（g₅）	3→1→4→6→2→5
s₃（-）	0.375（g₁）→0.254（g₄）→0.115（g₂）→-0.094（g₅）→-0.181（g₆）→-0.201（g₃）	1→4→2→5→6→3
s₄（-）	0.238（g₁）→0.165（g₄）→0.150（g₃）→0.132（g₆）→0.000（g₂）→-0.191（g₅）	1→4→3→6→2→5
s₅（-）	0.442（g₃）→0.063（g₆）→-0.073（g₁）→-0.077（g₄）→-0.146（g₂）→-0.341（g₅）	3→6→1→4→2→5
s₆（-）	1.070（g₅）→0.909（g₂）→0.818（g₄）→0.443（g₃）→0.394（g₁）→0.227（g₆）	5→2→4→3→1→6
s₇（+）	1.013（g₅）→0.822（g₂）→0.768（g₄）→0.426（g₁）→0.385（g₆）→0.226（g₃）	5→2→4→1→6→3
s₈（+）	0.790（g₅）→0.690（g₂）→0.550（g₄）→0.329（g₁）→0.327（g₆）→0.244（g₃）	5→2→4→1→6→3
s₉（+）	0.852（g₅）→0.730（g₂）→0.529（g₄）→0.384（g₁）→0.313（g₆）→0.066（g₃）	5→2→4→1→6→3
s₁₀（+）	0.202（g₃）→0.076（g₆）→0.043（g₅）→-0.140（g₄）→-0.191（g₂）→-0.316（g₁）	3→6→5→4→2→1

原子序列	次数	原子序列	次数	原子序列	次数
6→5	2	3→6	3	4→1	2
4→3	3	1→6	4	3→1	4
2→4	4	6→2	2	4→2	4
1→4	5	6→3	3
2→5	4	5→2	4

基于基因关联分析的贝叶斯网络疾病样本分类算法

Disease sample classification algorithm by Bayesian network with gene association analysis

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 17

参考文献 23

相关文章 5

编辑推荐

Metrics

序号	原子序列	关联熵	序号	原子序列	关联熵
1	5→2	0.805	8	4→2	1.257
2	4→3	0.852	9	2→4	1.318
3	2→5	0.856	10	3→6	1.386
4	6→5	0.946	11	6→2	1.453
5	6→3	1.007	12	4→1	1.568
6	3→1	1.109	13	1→6	2.047
7	1→4	1.159

数据集		基因数	样本数	类别数
肿瘤数据集	Leukemia	7 129	72	2
	Colon	2 000	62	2
	SRBCT	2 308	83	4
	Brain	5 920	90	5
	Breast	10	683	2
	Duke_bc	7 129	44	2
非肿瘤数据集	Heart	13	270	2
	Mushrooms	112	8 124	2
	Protein	357	17 766	3

数据集		BN_NB	BN_SA	CFWNB	WATAN	BN_CI	BN_ICS	BCGA
肿瘤数据集	Leukemia	0.483	0.505	0.411	0.428	0.395	0.406	0.370
	Colon	0.403	0.372	0.295	0.332	0.324	0.341	0.317
	SRBCT	0.069	0.014	0.027	0.018	0.016	0.012	0.033
	Brain	0.302	0.276	0.242	0.271	0.230	0.250	0.234
	Breast	0.261	0.280	0.359	0.320	0.320	0.320	0.249
	Duke_bc	0.492	0.453	0.315	0.308	0.325	0.330	0.308
	平均RMSE	0.335	0.317	0.275	0.280	0.268	0.277	0.252
	序号平均值	6.000	5.000	3.833	4.167	3.000	3.667	2.333
非肿瘤数据集	Heart	0.601	0.479	0.338	0.342	0.345	0.344	0.329
	Mushrooms	0.350	0.232	0.433	0.402	0.399	0.398	0.316
	Protein	0.467	0.289	0.393	0.350	0.352	0.349	0.340
	平均RMSE	0.473	0.333	0.388	0.365	0.365	0.364	0.328
	序号平均值	5.667	2.667	5.000	4.333	5.000	3.667	1.667
Overall RMSE		0.381	0.322	0.313	0.308	0.301	0.306	0.277
Overall Rank		5.889	4.222	4.222	4.222	3.667	3.667	2.111

数据集		LR	SVM	KNN	OB	LB	RF	BCGA
肿瘤数据集	Leukemia	0.767	0.744	0.802	0.754	0.807	0.812	0.813
	Colon	0.757	0.790	0.827	0.780	0.780	0.748	0.804
	SRBCT	0.983	0.999	0.998	0.998	0.998	0.999	0.999
	Brain	0.818	0.811	0.851	0.831	0.858	0.845	0.858
	Breast	0.898	0.866	0.750	0.726	0.717	0.717	0.749
	Duke_bc	0.758	0.795	0.850	0.862	0.850	0.844	0.864
	平均准确率	0.830	0.834	0.846	0.825	0.835	0.828	0.848
	序号平均值	5.333	4.333	3.333	4.583	3.917	4.500	2.000
非肿瘤数据集	Heart	0.640	0.769	0.841	0.827	0.840	0.840	0.844
	Mushrooms	0.878	0.988	0.690	0.774	0.734	0.737	0.771
	Protein	0.673	0.666	0.630	0.725	0.721	0.726	0.735
	平均准确率	0.730	0.808	0.720	0.775	0.765	0.768	0.783
	序号平均值	4.667	4.333	5.333	3.667	4.500	3.500	2.000
Overall Accuracy		0.797	0.825	0.804	0.809	0.812	0.808	0.826
Overall Rank		5.111	4.333	4.000	4.278	4.111	4.167	2.000

数据集	LR	SVM	KNN	OB	LB	RF	BCGA
W/D/L	5/0/1	4/1/1	4/1/1	5/1/0	4/2/0	5/1/0	—
Leukemia	0.767-	0.737-	0.993+	0.731-	0.793-	0.801-	0.927
Colon	0.535-	0.807-	0.780-	0.808-	0.789-	0.791-	0.904
Breast	0.810-	0.931=	0.855-	0.871-	0.856-	0.889-	0.979
Duke_bc	0.685-	0.795-	0.853-	0.806-	0.806-	0.801-	0.907
Heart	0.448-	0.755-	0.829=	0.804-	0.827=	0.819-	0.864
Mushrooms	0.871+	0.988+	0.675-	0.733=	0.683=	0.687=	0.719

数据集	算法	准确率	RMSE	F1-Score	AUC
Leukemia	BN	0.714	0.483	0.753	0.802
	BN+GA	0.765	0.462	0.847	0.909
	BN+GCPT	0.805	0.390	0.901	0.903
	BCGA	0.813	0.370	0.928	0.919
Colon	BN	0.693	0.403	0.802	0.821
	BN+GA	0.768	0.377	0.901	0.854
	BN+GCPT	0.796	0.380	0.899	0.878
	BCGA	0.804	0.317	0.905	0.896
Breast	BN	0.663	0.261	0.843	0.843
	BN+GA	0.632	0.283	0.881	0.880
	BN+GCPT	0.692	0.248	0.839	0.936
	BCGA	0.749	0.249	0.979	0.972
Heart	BN	0.716	0.601	0.771	0.801
	BN+GA	0.716	0.599	0.773	0.810
	BN+GCPT	0.808	0.480	0.818	0.856
	BCGA	0.844	0.329	0.864	0.900
Mushrooms	BN	0.642	0.350	0.611	0.771
	BN+GA	0.650	0.345	0.613	0.781
	BN+GCPT	0.712	0.325	0.736	0.821
	BCGA	0.771	0.316	0.719	0.823

数据集	网络总边数	算法	正确边数	正确边占比
ALARM	46	GB	22	0.48
ALARM	46	GSB	39	0.85
mildew	46	GB	28	0.61
mildew	46	GSB	38	0.83
gene1	132	GB	65	0.49
gene1	132	GSB	97	0.73
gene2	272	GB	132	0.49
gene2	272	GSB	193	0.71

[1]	张全梅, 黄润萍, 滕飞, 张海波, 周南. 融合异构信息的自动国际疾病分类编码方法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2476-2482.
[2]	周晓敏, 滕飞, 张艺. 基于元网络的自动国际疾病分类编码模型[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2721-2726.
[3]	高慧云, 陆慧娟, 严珂, 叶敏超. 基于差异性和准确性的加权调和平均度量的基因表达数据选择性集成算法[J]. 计算机应用, 2018, 38(5): 1512-1516.
[4]	高盼盼, 王宁, 周雪忠, 刘光明, 王惠欣. 面向疾病分类的人类互作网络拓扑模块的功能同质性分析[J]. 计算机应用, 2016, 36(8): 2144-2149.
[5]	赵宇海，王国仁，印莹. 一种用于基因表达数据的无参数聚类算法[J]. 计算机应用, 2005, 25(06): 1388-1391.

类型	被分为正类	被分为负类
实际为正类	TP	FN
实际为负类	FP	TN

类型	被分为正类	被分为负类
实际为正类	TP	FN
实际为负类	FP	TN

数据集	LR	SVM	KNN	OB	LB	RF	BCGA
W/D/L	5/1/0	4/1/1	4/1/1	1/5/0	0/6/0	0/6/0	—
Leukemia	0.524-	0.722-	0.852-	0.812-	0.920=	0.911=	0.919
Colon	0.811-	0.780-	0.873=	0.893=	0.894=	0.896=	0.895
Breast	0.687-	0.968=	0.929-	0.958=	0.947=	0.968=	0.972
Duke_bc	0.764-	0.716-	0.917=	0.920=	0.922=	0.920=	0.920
Heart	0.835-	0.752-	0.928+	0.882=	0.904=	0.901=	0.899
Mushrooms	0.829=	1.000+	0.768-	0.823=	0.837=	0.838=	0.822

数据集	LR	SVM	KNN	OB	LB	RF	BCGA
W/D/L	5/1/0	4/1/1	4/1/1	1/5/0	0/6/0	0/6/0	—
Leukemia	0.524-	0.722-	0.852-	0.812-	0.920=	0.911=	0.919
Colon	0.811-	0.780-	0.873=	0.893=	0.894=	0.896=	0.895
Breast	0.687-	0.968=	0.929-	0.958=	0.947=	0.968=	0.972
Duke_bc	0.764-	0.716-	0.917=	0.920=	0.922=	0.920=	0.920
Heart	0.835-	0.752-	0.928+	0.882=	0.904=	0.901=	0.899
Mushrooms	0.829=	1.000+	0.768-	0.823=	0.837=	0.838=	0.822