[發(fā)明專利]基于峰聚類的單細(xì)胞染色質(zhì)可及性測序數(shù)據(jù)分析方法和系統(tǒng)

在審

• 申請?zhí)枺?/td>: 201910256667.0
• 申請日: 2019-03-29
• 公開（公告）號: CN111755071A
• 公開（公告）日: 2020-10-09
• 發(fā)明（設(shè)計(jì)）人: 瞿昆;方靖文;黎斌;李楊
• 申請（專利權(quán)）人: 中國科學(xué)技術(shù)大學(xué)
• 主分類號: G16B20/30
• 分類號: G16B20/30
• 代理公司: 中科專利商標(biāo)代理有限責(zé)任公司 11021
• 代理人: 崔亞松;張瑩

一種基于峰聚類的單細(xì)胞染色質(zhì)可及性測序數(shù)據(jù)分析方法和系統(tǒng)，所述方法包括：將單細(xì)胞染色質(zhì)可及性測序數(shù)據(jù)與相應(yīng)的生物樣本基因組數(shù)據(jù)進(jìn)行比對獲得比對結(jié)果，并在所述比對結(jié)果的基礎(chǔ)上尋峰，并計(jì)算每個(gè)峰內(nèi)讀數(shù)，得到細(xì)胞*峰的讀數(shù)矩陣；計(jì)算細(xì)胞*峰的讀數(shù)矩陣中峰與峰之間的數(shù)學(xué)距離，將峰聚類，并將細(xì)胞*峰的讀數(shù)矩陣合并為細(xì)胞*accesson的讀數(shù)矩陣，其中accesson為聚類后的峰。本發(fā)明提供了首個(gè)從fastq到聚類、可視化和發(fā)育路徑重塑的scATAC?seq數(shù)據(jù)分析方法和系統(tǒng)，并顯著提高了分群效果。

技術(shù)領(lǐng)域

本發(fā)明屬于生物測序數(shù)據(jù)分析技術(shù)領(lǐng)域，具體涉及一種基于峰聚類的單細(xì)胞染色質(zhì)可及性測序數(shù)據(jù)分析方法和系統(tǒng)。

背景技術(shù)

ATAC-seq自2012年發(fā)明以來，由于簡潔、廉價(jià)、所需細(xì)胞少的優(yōu)點(diǎn)，在生物學(xué)領(lǐng)域的研究中廣泛普及，在胚胎發(fā)育、干細(xì)胞分化、癌癥機(jī)理和分型等研究貢獻(xiàn)了突破性的進(jìn)展。如2017年一篇CANCER?Cell(IF＝24)發(fā)現(xiàn)可用ATAC-seq解釋T細(xì)胞淋巴瘤的發(fā)病機(jī)理和精準(zhǔn)用藥分型，2018年ATAC-seq數(shù)據(jù)進(jìn)入TCGA數(shù)據(jù)庫。因此，為進(jìn)一步研究細(xì)胞異質(zhì)性，scATAC-seq測序技術(shù)在2015年被人提出并在幾年的發(fā)展中實(shí)現(xiàn)了多種不同技術(shù)方案，隨之產(chǎn)生就是scATAC-seq測序結(jié)果數(shù)據(jù)的分析解讀。

scATAC-seq數(shù)據(jù)分析的主要目的，即通過測序結(jié)果，還原混合生物樣本中的主要細(xì)胞群體或發(fā)育分化路徑。然而，目前的scATAC-seq技術(shù)比較前沿，數(shù)據(jù)的信噪比較低。因此，scATAC-seq數(shù)據(jù)分析需要一套易于使用的分析方法，并最大程度的還原細(xì)胞異質(zhì)性信息。目前已公開的scATAC-seq數(shù)據(jù)分析方法，一方面尚無從fastq起始的，到聚類、可視化、發(fā)育路徑重建這樣一條完善的、易于使用分析流程。另一方面，通過使用金標(biāo)準(zhǔn)測試數(shù)據(jù)集評估，即一些已知每個(gè)細(xì)胞所屬亞群或發(fā)育分化路徑中的位置的測試數(shù)據(jù)集。已有方法在信息還原上仍效果不佳，亟需改進(jìn)(利用ARI評估)。也正因如此，scATAC-seq分析目前并無業(yè)內(nèi)統(tǒng)一的分析方法。

現(xiàn)有技術(shù)中有以下三種分析方法：ChromVAR，LSI和Cicero。

在ChromVAR方法中，該方法輸入數(shù)據(jù)為細(xì)胞*峰的讀數(shù)矩陣，及每個(gè)峰的序列信息.該方法通過已知的轉(zhuǎn)錄因子motif信息，對每個(gè)峰，計(jì)算轉(zhuǎn)錄因子的偏好程度。由此構(gòu)建一個(gè)細(xì)胞*轉(zhuǎn)錄因子的偏好分?jǐn)?shù)矩陣，并用此矩陣進(jìn)行信息還原。

在LSI方法中，該方法輸入數(shù)據(jù)為細(xì)胞*峰的讀數(shù)矩陣.該方法通過TF-IDF算法(詞頻(Term?Frequency)，IDF意思是逆文本頻率指數(shù))，將矩陣復(fù)雜化，然后通過新矩陣進(jìn)行信息還原。

在Cicero方法中，該方法輸入數(shù)據(jù)為細(xì)胞*峰的讀數(shù)矩陣，和峰在染色體上的位置信息.該方法通過峰在染色質(zhì)上的位置，將距離在一定絕對空間的峰的讀數(shù)合并(如：250kb以內(nèi)的峰)。然后用此矩陣進(jìn)行下游信息還原。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明提出一種完備的、易于使用的且具有高效細(xì)胞異質(zhì)性信息還原能力的生物學(xué)樣本scATAC-seq數(shù)據(jù)分析方法和系統(tǒng)。

為了達(dá)到上述目的，一方面，本發(fā)明提出了一種基于峰聚類的單細(xì)胞染色質(zhì)可及性測序數(shù)據(jù)分析方法，包括：

將單細(xì)胞染色質(zhì)可及性測序數(shù)據(jù)與相應(yīng)的生物樣本基因組數(shù)據(jù)進(jìn)行比對獲得比對結(jié)果，并在所述比對結(jié)果的基礎(chǔ)上尋峰，并計(jì)算每個(gè)峰內(nèi)讀數(shù)，得到細(xì)胞*峰的讀數(shù)矩陣；

計(jì)算細(xì)胞*峰的讀數(shù)矩陣中峰與峰之間的數(shù)學(xué)距離，將峰聚類，并將細(xì)胞*峰的讀數(shù)矩陣合并為細(xì)胞*accesson的讀數(shù)矩陣，其中accesson為聚類后的峰。

在一些實(shí)施例中，所述方法還包括將所述細(xì)胞*accesson的讀數(shù)矩陣降維為二位可視化矩陣，優(yōu)選地，降維的方法包括PCA、T-SNE或UMAP。