DNA甲基化預測

發布時間：2019-04-20 08:23 原文鏈接： DNA甲基化預測

實驗概要

本實驗分別對DNA片段、基因、啟動子和外顯子進行了甲基化的計算預測，并且隨機選擇了1000甲基化的和1000未甲基化的個體進行預測。用于甲基化預測的特征有：GC相關特征、四聯體頻率、轉錄因子結合位點(TFBSs)。所有預測方法均采用Weka提供的軟件進行。

實驗步驟

1. DNA甲基化數據

本研究基于在擬南芥中使用Tiling芯片第一次進行全基因組水平的DNA甲基化分析的實驗結果。實驗數據包括26,852個具有顯著DNA甲基化水平的DNA片段，這些片段覆蓋了22,554,840 bp并且代表了完全測序的擬南芥核基因組的~18.9%。擬南芥25,423表達基因中，作者將它們分為三部分:內部甲基化基因(33.3%)，啟動子甲基化基因(5.2%)和未甲基化基因(61.5%)。利用這些數據，我們確定了所有擬南芥基因的啟動子和外顯子的甲基化狀態。我們分別對DNA片段、基因、啟動子和外顯子進行了甲基化的計算預測，并且隨機選擇了1,000甲基化的和1,000未甲基化的個體進行預測。

2. 用于甲基化預測的特征

1) GC相關特征

CpG島的傳統定義需要三個參數:序列一長度，GC含量和CpG ratio。我們利用Wilcoxon秩檢驗比較了甲基化和未甲基化的DNA片段的GC含量和CpG ratio值，并且發現這兩個參數在甲基化和未甲基化的DNA片段間具有非常顯著的差異。所以這兩個參數被用作預測的兩個特征。

在植物和動物中，甲基化主要在CG sequence context中發現。在進化過程中雙核營酸TpG(以及它的反義互補CpA)的分布推測起來也和mCpGs的去甲基化有關。我們分別計數了甲基化和未甲基化片段中的雙核普酸CpG和TpG，并且利用Wilcoxon秩檢驗比較它們在兩類片段間的分布。顯著差異意味著CpG和TpG的分布與DNA甲基化間的聯系。我們采用了每1 kb中的CpG和TpG的數目作為預測的另外兩個特征。

2) 四聯體頻率

人類淋巴細胞CpG島甲基化的研究顯示CpG島甲基化與DNA序列中的四聯體是高度相關的。所以我們直接從DNA序列計數每個四聯體的頻率，并且發現256個四聯體中的153個在甲基化和未甲基化片段間具有顯著差異。所以四聯體頻率被作為預測的特征。

3) 轉錄因子結合位點(TFBSs)

甲基可能破壞轉錄因子的結合位點并導致轉錄的失敗，所以DNA甲基化能夠抑制轉錄。這意味著在TFBSs和DNA甲基化間存在著聯系。而且以前的研究己經顯示在人類大腦中TFBSs與CpG島的甲基化是相關的。所以我們預測某些TFBSs的分布可能在擬南芥的甲基化和未甲基化片段間存在差異。我們從PlantCARE，PLACE和AGRIS上得到了擬南芥的105個己知的TFBSs的Position weight matrices (PWM)。這些TFBSs被用于pattern searchprogram MotifScanner來掃描和確定推定的TFBSs的位置，采用默認的標準:最大啟動子大小3kb并且沒有啟動子序列和上游基因有重疊。我們在擬南芥基因組中得到了%個TFBSs類。然后我們利用Wilcoxon rank-sum test比較了甲基化和未甲基化片段間的96個TFBSs的存在與否并且發現66個TFBSs具有顯著差異。所以我們把TFBSs的存在與否作為甲基化預測的特征。

3. 預測方法

我們用了多種方法來測驗預測性能，這些方法包括alternating decision tree (ADTree)，Bayes network (BayesNet)，C4.5 decision tree (C4.STree)，simple decision table majority classifier (DecisionTable)，logistic model trees (LMT)，multinomial logistic regression model with a ridge estimator (Logistic)，decision tree with naive Bayes classifiers at the Leaves (NBTree)，rules from partial decision trees built using C4.5 decision tree (PART)，forest of random trees (RandomForest)，normalized Gaussian radial basisbasis function network (RBFNetwork)，linear logistic regression models (SimpleLogstic)，support vector machine (SVM) and voted perceptron algorithm (VotedPerceptron)。這里使用的所有預測方法都是Waikato environment for knowledge analysis (Weka)提供的，Weka是一個可以提供執行大量機器學習和統計算法的環境的Java軟件包。所有這些方法的數據被準備成屬性相關文件格式(ARFF)，這種格式由所有個體和相應個體的屬性值(逗號分隔)的列表構成。

4. 性能評估

我們把所有的樣本隨機分成一個訓練集(66%)和一個測試集。預測方法在訓練集上進行訓練然后在測試集上進行評估。我們使用特異性(SP)，敏感性((SE)、精確性(ACC)和相關系數((CC)來評估預測方法的性能。將未甲基化的樣本作為陽性類別，甲基化的樣本作為陰性類別，我們使用下面的公式計算SP，SE，ACC和CC:

TP，TN，FP和FN分別代表真陽性、真陰性、假陽性和假陰性。這些參數比只使用正確預測的總百分率能夠提供一個對分類性能的更精確的評估。

附件 (共1個附件,占34KB)

1.jpg

34KB

查看