基于阿貝爾復雜度方法的全基因組DNA甲基化的預測.pdf

1、雖然攜帶遺傳信息的DNA序列在人類各組織細胞中幾乎是不變的，但其上的表觀遺傳特征卻表現(xiàn)出極大的差異性，這也被認為是導致基因表達細胞特異性的主要原因。在眾多表觀遺傳特征中，DNA甲基化被認為是當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)，所以準確識別給定區(qū)域的甲基化水平，不僅有助于解析基因轉(zhuǎn)錄調(diào)控機制，而且還能為人類認識各種復雜疾病的形成機制提供幫助。
　　早期研究者主要依賴各類實驗方法測定DNA甲基化位點，但實驗方法一方面耗時耗財，另一方面無法覆蓋到全基因組層面。一個替代的策略是利用計算方法來推斷目標位點的DNA甲基化水平。鑒于近年來機器學習的廣泛應用，研究者們開始考慮利用機器學習算法對DNA甲基化位點構(gòu)建預測模型。然而，基于機器學習的預測方法的成敗非常依賴

3、有效的特征提取算法。本研究提出一種稱為“阿貝爾復雜度”的新穎的DNA序列特征提取算法，并基于此構(gòu)建人類全基因組DNA甲基化的預測模型。
　　我們首次將“詞的組合”領(lǐng)域中一個新穎的數(shù)學概念—阿貝爾復雜度，應用于DNA序列的特征提取中。首先，考慮到以DNA甲基化位點為中心的窗口大小對預測準確性的影響，我們分染色體測試了100bp-2000bp（步長100bp，bp即base pair，堿基對）范圍內(nèi)的所有窗口大小，結(jié)合各條染色體上的預

4、測結(jié)果發(fā)現(xiàn)窗口大小在1300bp時預測效果最佳。進一步，我們利用卡方統(tǒng)計量和互信息兩個指標對1301維初始阿貝爾復雜度特征進行特征篩選，發(fā)現(xiàn)第14-50維是對模型貢獻最大的阿貝爾復雜度特征。另外，DNA組分特征可以被定義為DNA序列的基礎(chǔ)特征，而當綜合阿貝爾復雜度特征和DNA組分特征時模型的預測能力得到了進一步的提升。最后，為了選擇最適合的機器學習方法，本研究比較了支持向量機(support vector machine，SVM)、隨機

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)四種機器學習算法。在5類細胞系數(shù)據(jù)的測試中，結(jié)果發(fā)現(xiàn)SVM具有更高更穩(wěn)定的預測效果。
　　綜上，本文首次應用阿貝爾復雜度方法提取DNA甲基化序列特征，并通過窗口大小選取、特征篩選過程選取第14-50維阿貝爾特征，最后結(jié)合SVM構(gòu)建DNA甲基化預測模型?；陬A測模型的全基因組掃描預測結(jié)果可以縮小或