基于阿貝爾復(fù)雜度方法的全基因組DNA甲基化的預(yù)測(cè).pdf

1、雖然攜帶遺傳信息的DNA序列在人類(lèi)各組織細(xì)胞中幾乎是不變的，但其上的表觀遺傳特征卻表現(xiàn)出極大的差異性，這也被認(rèn)為是導(dǎo)致基因表達(dá)細(xì)胞特異性的主要原因。在眾多表觀遺傳特征中，DNA甲基化被認(rèn)為是當(dāng)前研究較為透徹的表觀修飾現(xiàn)象之一。DNA甲基化水平的改變與基因的選擇性表達(dá)與調(diào)控具有密不可分的關(guān)系，并且在基因印記、X染色體失活等過(guò)程中扮演關(guān)鍵作用。研究表明，基因的重要調(diào)控元件區(qū)域（如啟動(dòng)子）的非正常甲基化狀態(tài)與包括癌癥在內(nèi)的各種疾病的發(fā)生密切相

2、關(guān)，所以準(zhǔn)確識(shí)別給定區(qū)域的甲基化水平，不僅有助于解析基因轉(zhuǎn)錄調(diào)控機(jī)制，而且還能為人類(lèi)認(rèn)識(shí)各種復(fù)雜疾病的形成機(jī)制提供幫助。
　　早期研究者主要依賴(lài)各類(lèi)實(shí)驗(yàn)方法測(cè)定DNA甲基化位點(diǎn)，但實(shí)驗(yàn)方法一方面耗時(shí)耗財(cái)，另一方面無(wú)法覆蓋到全基因組層面。一個(gè)替代的策略是利用計(jì)算方法來(lái)推斷目標(biāo)位點(diǎn)的DNA甲基化水平。鑒于近年來(lái)機(jī)器學(xué)習(xí)的廣泛應(yīng)用，研究者們開(kāi)始考慮利用機(jī)器學(xué)習(xí)算法對(duì)DNA甲基化位點(diǎn)構(gòu)建預(yù)測(cè)模型。然而，基于機(jī)器學(xué)習(xí)的預(yù)測(cè)方法的成敗非常依賴(lài)

3、有效的特征提取算法。本研究提出一種稱(chēng)為“阿貝爾復(fù)雜度”的新穎的DNA序列特征提取算法，并基于此構(gòu)建人類(lèi)全基因組DNA甲基化的預(yù)測(cè)模型。
　　我們首次將“詞的組合”領(lǐng)域中一個(gè)新穎的數(shù)學(xué)概念—阿貝爾復(fù)雜度，應(yīng)用于DNA序列的特征提取中。首先，考慮到以DNA甲基化位點(diǎn)為中心的窗口大小對(duì)預(yù)測(cè)準(zhǔn)確性的影響，我們分染色體測(cè)試了100bp-2000bp（步長(zhǎng)100bp，bp即base pair，堿基對(duì)）范圍內(nèi)的所有窗口大小，結(jié)合各條染色體上的預(yù)

4、測(cè)結(jié)果發(fā)現(xiàn)窗口大小在1300bp時(shí)預(yù)測(cè)效果最佳。進(jìn)一步，我們利用卡方統(tǒng)計(jì)量和互信息兩個(gè)指標(biāo)對(duì)1301維初始阿貝爾復(fù)雜度特征進(jìn)行特征篩選，發(fā)現(xiàn)第14-50維是對(duì)模型貢獻(xiàn)最大的阿貝爾復(fù)雜度特征。另外，DNA組分特征可以被定義為DNA序列的基礎(chǔ)特征，而當(dāng)綜合阿貝爾復(fù)雜度特征和DNA組分特征時(shí)模型的預(yù)測(cè)能力得到了進(jìn)一步的提升。最后，為了選擇最適合的機(jī)器學(xué)習(xí)方法，本研究比較了支持向量機(jī)(support vector machine，SVM)、隨機(jī)

5、森林算法(Random Forest)、最鄰近算法(K-nearest neighbors)和樸素貝葉斯算法(Na(i)ve Bayes)四種機(jī)器學(xué)習(xí)算法。在5類(lèi)細(xì)胞系數(shù)據(jù)的測(cè)試中，結(jié)果發(fā)現(xiàn)SVM具有更高更穩(wěn)定的預(yù)測(cè)效果。
　　綜上，本文首次應(yīng)用阿貝爾復(fù)雜度方法提取DNA甲基化序列特征，并通過(guò)窗口大小選取、特征篩選過(guò)程選取第14-50維阿貝爾特征，最后結(jié)合SVM構(gòu)建DNA甲基化預(yù)測(cè)模型?；陬A(yù)測(cè)模型的全基因組掃描預(yù)測(cè)結(jié)果可以縮小或