[发明专利]一种差异甲基化位点识别方法

说明书

本发明公开了一种差异甲基化位点识别方法，通过分类的思想将差异甲基化位点识别转换为一种通过特征选择方法寻找对分类有重要贡献的位点，即差异甲基化位点。具体来说，首先对从公共数据库获取到的450K甲基化芯片数据进行数据预处理，包括标准化数据消除组内误差、去除批次效应消除组间误差、去掉方差较小的位点；其次，通过构建随机森林模型得到每个位点对分类的贡献值；最后，若位点贡献值大于0，则认为该位点为差异甲基化位点。通过这种方法得到的差异甲基化位点能够具有更好的类别判定性能，为癌症诊断提供更精确结果。

技术领域

本发明属于DNA甲基化识别技术领域，更为具体地讲，涉及一种差异甲基化位点识别方法。

背景技术

作为人类基因组最为典型的表观遗传现象，DNA甲基化在多种关键生理活动中扮演重要角色。其甲基化状态与各种疾病，特别是癌症的发生密切相关。具体而言，并不是所有甲基化位点与癌症有关，只有一些特定的甲基化位点与癌症相关。文中把这些特定的甲基化位点称之为差异甲基化位点。

目前，在差异甲基化位点识别算法中通常采用统计学方法，如fastDMA采用了方差分析、ChAMP采用了线性回归结合t假设检验方法。然而使用传统的统计学方法只能粗略地找到从统计意义上差异显著的位点，因此找到的差异甲基化位点较多，不是所有差异甲基化位点具有癌症诊断功能。

发明内容

本发明的目的在于克服现有技术的不足，提供一种差异甲基化位点识别方法，从特征选择的角度寻找差异甲基化位点，以使获得的差异甲基化位点能够具有良好的类别判定性能。

为实现上述发明目的，本发明一种差异甲基化位点识别方法，其特征在于，包括以下步骤：

(1)、从癌症基因组公共数据库中任意获取一种癌症的N组450K甲基化芯片数据样本；

(2)、对N组450K甲基化芯片数据样本进行预处理

(2.1)、利用SWAN算法对所有的450K甲基化芯片数据样本进行标准化处理，消除每组450K甲基化芯片数据样本的组内误差；

(2.2)、利用ComBat算法对每组450K甲基化芯片数据样本进行标准化处理，消除单组450K甲基化芯片数据样本的组间误差；

(2.3)、按照位点维度计算每组450K甲基化芯片数据样本的方差，再去除占所有位点1/3的方差小的位点，得到N组标准450K甲基化芯片数据样本；

(3)、将N组标准450K甲基化芯片数据样本存入数据集data，且数据集data有f个特征；

(4)、构建随机森林分类模型寻找差异甲基化位点

(4.1)构建随机森林分类模型

从位点维度分割数据集data，得到s个子集，在每个子集内从f个特征中随机选择m个特征；

再从样本维度分割s个子集中的每个子集，使每个子集又分割得到t个子集，最终得到s*t个子集；

最后，利用s*t个子集进行决策树建模，形成s*t棵树，进而得到随机森林分类模型；

(4.2)、分别计算m个特征的重要性

对特征g_θ计算重要性的公式为：

其中，表示在第τ棵树中有个结点是由特征g_θ分割的，表示特征g_θ在第τ棵树中某个由特征g_θ分割的结点处的信息增益比，表示第τ棵树中在结点处的样本数，num.in.τ表示第τ棵树中在根节点样本数，u,v是两个平衡因子；