[發(fā)明專利]應(yīng)用于組織樣本中染色體上轉(zhuǎn)錄因子結(jié)合位點(diǎn)的檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201711464358.X
• 申請(qǐng)日: 2017-12-28
• 公開（公告）號(hào): CN108052797A
• 公開（公告）日: 2018-05-18
• 發(fā)明（設(shè)計(jì)）人: 李旦
• 申請(qǐng)（專利權(quán)）人: 上海嘉因生物科技有限公司
• 主分類號(hào): G06F19/20
• 分類號(hào): G06F19/20
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明涉及應(yīng)用于組織樣本中染色體上轉(zhuǎn)錄因子結(jié)合位點(diǎn)的檢測(cè)方法，包括數(shù)據(jù)預(yù)處理、分割DNA短序列、均值檢測(cè)和概率檢測(cè)。與己有的檢測(cè)算法相比，提高了ChIP?seq數(shù)據(jù)的轉(zhuǎn)錄因子結(jié)合位點(diǎn)識(shí)別算法的性能，算法消耗的時(shí)間更少，并能準(zhǔn)確的識(shí)別已有的和新的轉(zhuǎn)錄因子結(jié)合位點(diǎn)，為轉(zhuǎn)錄因子的研究提供了新的技術(shù)手段和重要工具。

技術(shù)領(lǐng)域

本發(fā)明屬于免疫檢測(cè)技術(shù)領(lǐng)域，尤其涉及應(yīng)用于組織樣本中染色體上轉(zhuǎn)錄因子結(jié)合位點(diǎn)的檢測(cè)方法。

背景技術(shù)

近些年來，“大數(shù)據(jù)”這個(gè)詞匯已經(jīng)成為當(dāng)下最常見的詞匯之一，而自從上世紀(jì)90年代開始，生物信息學(xué)經(jīng)過多年的發(fā)展，已經(jīng)從最初的DNA序列分析和蛋白質(zhì)序列分析，擴(kuò)展到生物學(xué)的各個(gè)領(lǐng)域，使得生物學(xué)數(shù)據(jù)的增長(zhǎng)驚人，生物學(xué)現(xiàn)在也已經(jīng)進(jìn)入了“大數(shù)據(jù)”時(shí)代。

轉(zhuǎn)錄是基因表達(dá)的第一階段，也是基因調(diào)節(jié)的主要階段，通過轉(zhuǎn)錄因子與特異的序列結(jié)合，對(duì)基因的表達(dá)起抑制或增強(qiáng)的作用。識(shí)別序列的中的這些結(jié)合區(qū)域，即轉(zhuǎn)錄因子結(jié)合位點(diǎn)識(shí)別，對(duì)了解基因的轉(zhuǎn)錄活性及理解基因表達(dá)有著重要意義，是現(xiàn)今生物信息學(xué)中最為廣泛研究的問題之一。

轉(zhuǎn)錄因子結(jié)合位點(diǎn)識(shí)別問題的難點(diǎn)在于，與大量長(zhǎng)度幾百或上千堿基的背景噪聲序列相比，長(zhǎng)度為十幾或幾十的模體信號(hào)相對(duì)較短，并且同一轉(zhuǎn)錄因子的模體實(shí)例還有可能部分發(fā)生變異。同時(shí)，隨著序列長(zhǎng)度和數(shù)量的增加，解空間大小也會(huì)飛速巨增，計(jì)算開銷往往不切實(shí)際。此外，識(shí)別結(jié)合區(qū)域中的多個(gè)轉(zhuǎn)錄因子結(jié)合位點(diǎn)、尋找特定的共調(diào)控轉(zhuǎn)錄因子結(jié)合位點(diǎn)組合以及在全基因組范圍內(nèi)尋找結(jié)合位點(diǎn)，也是此問題所面臨的巨大挑戰(zhàn)。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明提供一種解決或部分解決上述問題的應(yīng)用于組織樣本中染色體上轉(zhuǎn)錄因子結(jié)合位點(diǎn)的檢測(cè)方法。

為達(dá)到上述技術(shù)方案的效果，本發(fā)明的技術(shù)方案為：應(yīng)用于組織樣本中染色體上轉(zhuǎn)錄因子結(jié)合位點(diǎn)的檢測(cè)方法，包括以下步驟：

步驟一：數(shù)據(jù)預(yù)處理：

首先，讀取樣本的ChIP-seq數(shù)據(jù)，并將其比對(duì)到參考基因組上，尋找出轉(zhuǎn)錄因子結(jié)合位點(diǎn)富集的特征峰和峰頂點(diǎn)的位置信息；然后，以峰頂點(diǎn)為中心分別向左右兩側(cè)延展500bp，延伸后的數(shù)據(jù)中，每一個(gè)DNA序列的中心均為峰頂點(diǎn)，且DNA序列長(zhǎng)度均為1002bp；最后，將DNA序列提取出來并去掉其中重復(fù)的序列得到DNA短序列；

步驟二：分割DNA短序列：

分別將DNA短序列中前N-4個(gè)堿基作為頭堿基，將頭堿基及其之后連續(xù)的四個(gè)堿基劃分為一個(gè)子序列，并將頭堿基在DNA短序列的次序作為子序列的編號(hào)，子序列的編號(hào)為正整數(shù)；N是DNA短序列中的堿基數(shù)量，N為正整數(shù)；子序列中包括五個(gè)堿基，頭堿基是子序列中的第一個(gè)堿基，DNA短序列可以劃分出N-4個(gè)子序列；

步驟三：均值檢測(cè)：

分別對(duì)四種堿基包括A(腺嘌呤)、T(胸腺嘧啶)、C(胞嘧啶)、G(鳥嘌呤)計(jì)算當(dāng)前堿基均值：

(1)正在計(jì)算的堿基為當(dāng)前堿基，按照子序列的編號(hào)，依次統(tǒng)計(jì)當(dāng)前堿基在子序列中出現(xiàn)的次數(shù)得到均值向量(y1,y2,…,yN-4)，其中，y是當(dāng)前堿基在子序列中出現(xiàn)的次數(shù)，y1是當(dāng)前堿基在編號(hào)為1的子序列中出現(xiàn)的次數(shù)，y2是當(dāng)前堿基在編號(hào)為2的子序列中出現(xiàn)的次數(shù)，yN-4是當(dāng)前堿基在編號(hào)為N-4的子序列中出現(xiàn)的次數(shù)；

(2)統(tǒng)計(jì)出均值向量中取值大于3的元素的個(gè)數(shù)即為當(dāng)前堿基均值；

對(duì)四種堿基計(jì)算出的當(dāng)前堿基均值進(jìn)行均值檢測(cè)：如果四個(gè)當(dāng)前堿基均值都在0.8N～1.2N的范圍內(nèi)，則進(jìn)行步驟四；否則檢測(cè)結(jié)束，DNA短序列不是轉(zhuǎn)錄因子結(jié)合位點(diǎn)；