[發(fā)明專利]一種細(xì)胞特異性基因組G-四鏈體的預(yù)測方法

有效

• 申請?zhí)枺?/td>: 202110030502.9
• 申請日: 2021-01-11
• 公開（公告）號: CN113160877B
• 公開（公告）日: 2022-11-25
• 發(fā)明（設(shè)計(jì)）人: 孫嘯;張卓凡;居勝紅;楊婧;劉宏德
• 申請（專利權(quán)）人: 東南大學(xué)
• 主分類號: G16B15/30
• 分類號: G16B15/30;G16B20/20
• 代理公司: 南京蘇高專利商標(biāo)事務(wù)所(普通合伙) 32204
• 代理人: 丁靜靜

1.一種細(xì)胞特異性的G4-DNA預(yù)測方法，其特征在于，包括以下步驟：

（1）產(chǎn)生給定物種所有潛在的G4-DNA序列集合：所述潛在的G4-DNA序列包括：規(guī)則的G4-DNA序列和奇異的G4-DNA序列；

（2）收集該物種實(shí)驗(yàn)檢測所獲得的體內(nèi)細(xì)胞特異性G4-DNA數(shù)據(jù)：體內(nèi)細(xì)胞特異性G4-DNA數(shù)據(jù)由G4 ChIP-seq測序?qū)嶒?yàn)提供，收集利用該技術(shù)檢測不同細(xì)胞所獲得的原始實(shí)驗(yàn)數(shù)據(jù)，得到細(xì)胞特異性G4-DNA集合，本方法濾去長度小于15bp的序列，細(xì)胞特異性G4-DNA集合以BED文件形式存儲，條目形式為“chrom，chromStart，chromEnd”；

（3）收集細(xì)胞特異的染色質(zhì)開放結(jié)構(gòu)數(shù)據(jù)和DNA甲基化數(shù)據(jù)：

所述細(xì)胞特異的染色質(zhì)開放結(jié)構(gòu)數(shù)據(jù)的分析方法如下：處理對應(yīng)細(xì)胞由染色質(zhì)可及性檢測技術(shù)ATAC-seq所獲得的測序數(shù)據(jù)，其數(shù)據(jù)形式為BedGraph形式，包含每一開放區(qū)域的坐標(biāo)信息與開放程度值，具體表示為“chrom，chromStart，chromEnd，value”，即每一區(qū)域?yàn)樗谌旧w、區(qū)域起始坐標(biāo)、區(qū)域結(jié)束坐標(biāo)及開放程度值構(gòu)成的四元組；將所有未在原始文件中出現(xiàn)的基因組區(qū)域條目添加到文件中，并將上述添加條目的開放程度值賦值為0，得到以BedGraph形式文件呈現(xiàn)的全基因組染色質(zhì)開放程度信息；

所述細(xì)胞特異的DNA甲基化數(shù)據(jù)的分析方法如下：處理對應(yīng)細(xì)胞的由DNA甲基化檢測技術(shù)WGBS-seq所獲得的測序數(shù)據(jù)，其數(shù)據(jù)形式以BedGraph形式保存，包含每一高甲基化區(qū)域的坐標(biāo)信息與甲基化程度值，具體表示為“chrom，chromStart，chromEnd，value”，即每一區(qū)域?yàn)樗谌旧w、區(qū)域起始坐標(biāo)、區(qū)域結(jié)束坐標(biāo)及開放程度值構(gòu)成的四元組；將所有未在原始文件中出現(xiàn)的基因組區(qū)域，條目添加到文件中，并將上述添加條目的甲基化程度值賦值為0，得到以BedGraph形式文件呈現(xiàn)的全基因組染色質(zhì)甲基化程度信息；

（4）建立G4-DNA序列細(xì)胞特異性染色質(zhì)環(huán)境特征向量：選定每一G4-DNA條目坐標(biāo)中點(diǎn)為中心，向上游、下游分別擴(kuò)展，最終構(gòu)成定長區(qū)域，作為對應(yīng)每個(gè)G4-DNA條目的染色體環(huán)境背景考察區(qū)域，采用滑窗法計(jì)算區(qū)域均值的方法壓縮數(shù)據(jù)特征；

所述的滑窗法的計(jì)算方法如下：

采用一定長滑窗對區(qū)域以一定步長進(jìn)行掃描，每步均計(jì)算窗口內(nèi)染色體開放程度值/甲基化程度值的平均值，作為該滑窗包含區(qū)域的染色體環(huán)境背景數(shù)值；

若按照缺省值計(jì)算，最終將得到一個(gè)20維的染色體開放程度數(shù)值序列和一個(gè)20維的甲基化程度數(shù)值序列；

對于每一條G4-DNA序列，都可以得到一組這樣的數(shù)值特征條目，每一條目均由維度為(1,40)的浮點(diǎn)數(shù)特征向量表示：(o₁,o₂,…o₂₀, m₁,m₂,…m₂₀)，其中o_i和m_i分別表示滑窗第i步掃描區(qū)域內(nèi)染色質(zhì)開放程度區(qū)域均值及甲基化程度區(qū)域均值；

（5）建立細(xì)胞特異性的G4-DNA訓(xùn)練樣本集合：潛在的G4-DNA如果在特定細(xì)胞中形成真正的G4-DNA，那么該G4-DNA就是這個(gè)細(xì)胞的正樣本；相反，如果一個(gè)潛在的G4-DNA在特定細(xì)胞中不形成G4-DNA，則是一個(gè)負(fù)樣本；

（6）建立細(xì)胞特異性的G4-DNA預(yù)測分類器模型：所述分類器模型以潛在的G4-DNA的染色質(zhì)環(huán)境特征向量為輸入，判斷其是否會在特定細(xì)胞環(huán)境中形成G4-DNA；記 TP, TN, FP,FN 分別為真陽性樣本、真陰性樣本、假陽性樣本及假陰性樣本數(shù)目，得到三個(gè)指標(biāo)表示如下：

其中，Accuracy、Precision和Recall分別指準(zhǔn)確率、查準(zhǔn)率和查全率；

在步驟（5）得到的細(xì)胞特異性的G4-DNA訓(xùn)練樣本集合上進(jìn)行五折交叉驗(yàn)證：即將細(xì)胞特異性的G4-DNA訓(xùn)練樣本集合隨機(jī)分成五等份，每次訓(xùn)練取其中四份為訓(xùn)練集，余下一份為測試集進(jìn)行五次驗(yàn)證，計(jì)算與評估評價(jià)指標(biāo)；交叉驗(yàn)證后，利用完整訓(xùn)練集對Xgboost模型進(jìn)行訓(xùn)練，并在完整測試集上進(jìn)行測試，評估評價(jià)指標(biāo)，最終得到細(xì)胞特異性的G4-DNA預(yù)測分類器模型；

（7）細(xì)胞特異性G4-DNA預(yù)測：對于一種需要預(yù)測的細(xì)胞，以集合GS中每一個(gè)潛在G4-DNA條目在對應(yīng)細(xì)胞中的染色質(zhì)環(huán)境特征向量，即染色體開放程度數(shù)值序列和甲基化程度數(shù)值序列，作為預(yù)測分類器輸入，分類器輸出各條目是否為細(xì)胞特異性G4-DNA，以表明該潛在序列在對應(yīng)細(xì)胞中是否會真正形成G4-DNA；最后，輸出所有被預(yù)測為對應(yīng)細(xì)胞實(shí)際存在的G4-DNA，輸出形式BED文件形式，文件包含所有分類為細(xì)胞特異性G4-DNA的條目染色體坐標(biāo)。