基于甲基化差異進(jìn)行腫瘤分類及早診的深度神經(jīng)網(wǎng)絡(luò)模型.pdf

1、研究背景及目的：DNA甲基化是目前最為常見與重要的表觀遺傳學(xué)特征，與腫瘤的發(fā)生發(fā)展有密切關(guān)系，在腫瘤形成的初期就已經(jīng)具有明顯的特征[1]。腫瘤基因組的甲基化水平除了與正?；蚪M相比發(fā)生劇烈變化外，不同腫瘤類型之間也存在著較大差異。因此甲基化水平的變化可作為特異性的分子標(biāo)記用以區(qū)分腫瘤類型。目前在臨床方面多采用一些特定的蛋白分子標(biāo)記、CT影像等病理指標(biāo)區(qū)分腫瘤類型。但這些方法準(zhǔn)確性并不高，并且有些腫瘤在形成的初期，很難通過病理指標(biāo)檢測(cè)出來

2、。目前對(duì)于早期腫瘤診斷的研究多集中在血漿中游離的腫瘤DNA(ctDNA)的檢測(cè)[2]，但目前這些技術(shù)尚不成熟，而且成本相對(duì)較高，公開的測(cè)序數(shù)據(jù)也較少。在基因組學(xué)分析方面，盡管測(cè)序技術(shù)日漸成熟，許多腫瘤發(fā)生機(jī)制在分子生物學(xué)領(lǐng)域得到解釋，但對(duì)于腫瘤基因組，目前的研究大多關(guān)注于一些原癌基因以及抑癌基因區(qū)域位點(diǎn)的突變以及啟動(dòng)子區(qū)域甲基化狀態(tài)改變[3]，對(duì)于多種腫瘤類型的區(qū)分及早期腫瘤的預(yù)測(cè)并沒有非常有效的生物信息學(xué)方法。因此尋找一種對(duì)腫瘤類型的

3、區(qū)分與早期腫瘤預(yù)測(cè)提供幫助的方法就顯得尤為重要。
　　研究方法及結(jié)果：本課題使用的數(shù)據(jù)為TCGA數(shù)據(jù)庫中包含24種腫瘤類型的Illumina450K數(shù)據(jù)，GE0數(shù)據(jù)庫和Roadmap Epigenomics數(shù)據(jù)庫中的WGBS的數(shù)據(jù)以及模擬數(shù)據(jù)。對(duì)于Illumina450K的數(shù)據(jù)，使用其提供的計(jì)算好的β值作為甲基化水平;對(duì)于WGBS數(shù)據(jù)，使用序列比對(duì)軟件比對(duì)到參考基因組上，通過校正CpG位點(diǎn)的堿基突變以及使用高斯函數(shù)對(duì)數(shù)據(jù)的進(jìn)一步處

4、理，消除了堿基突變以及相近CpG位點(diǎn)的影響，得到較為準(zhǔn)確的甲基化水平。經(jīng)過計(jì)算兩種類型的數(shù)據(jù)同種組織相同位點(diǎn)甲基化狀態(tài)的相關(guān)性系數(shù)，可得出兩種數(shù)據(jù)有非常高的相關(guān)性，能夠共同使用。數(shù)據(jù)經(jīng)過前期處理后，使用統(tǒng)計(jì)學(xué)方法去除了在各種腫瘤組織之間表現(xiàn)相似甲基化狀態(tài)的位點(diǎn)、與對(duì)應(yīng)正常組織相比沒有明顯甲基化狀態(tài)變化的位點(diǎn)以及未落在基因組有明確功能區(qū)域的位點(diǎn)后，共得到1894個(gè)有明顯甲基化狀態(tài)差異的位點(diǎn)。將最后得到的CpG位點(diǎn)作為特征值，構(gòu)建深度神經(jīng)網(wǎng)

5、絡(luò)模型的訓(xùn)練集。對(duì)于腫瘤類型的區(qū)分和早期腫瘤預(yù)測(cè)分別構(gòu)建了不同的深度神經(jīng)網(wǎng)絡(luò)模型（DNN），這兩個(gè)模型的整體結(jié)構(gòu)相同，均包含一個(gè)輸入層，五個(gè)隱藏層以及一個(gè)輸出層，選用Sigmoid函數(shù)作為激活函數(shù)，使用克羅內(nèi)克符號(hào)構(gòu)建標(biāo)記矩陣。不同的是，早期腫瘤預(yù)測(cè)模型其輸入的特征值、每一層的神經(jīng)元數(shù)量以及學(xué)習(xí)效率與腫瘤類型的區(qū)分模型存在差異。其輸入特征值除了去除沒有WGBS數(shù)據(jù)的組織外，還將去除白細(xì)胞和白血病這兩個(gè)組織的特異性位點(diǎn)。之所以采取這樣的策

6、略是因?yàn)槲覀兊哪M數(shù)據(jù)將采用各類腫瘤組織數(shù)據(jù)與正常的白細(xì)胞數(shù)據(jù)按一定比例混合的方式生成，為了盡可能真實(shí)的模擬數(shù)據(jù)，混合時(shí)腫瘤組織所占比例較小，因此需要去除這兩個(gè)組織的特異性位點(diǎn)的影響。兩個(gè)模型經(jīng)過多次迭代訓(xùn)練，校正并且與已有的模型包括K最近鄰，樸實(shí)貝葉斯，logistic回歸，支持向量機(jī)，隨機(jī)森林比較，表現(xiàn)出了更為理想的準(zhǔn)確率。
　　研究結(jié)論：本課題通過使用數(shù)據(jù)庫中大量的數(shù)據(jù)，通過生物信息學(xué)數(shù)據(jù)分析技術(shù)，發(fā)現(xiàn)腫瘤基因組甲基化存在劇

7、烈變化，通過校正CpG位點(diǎn)的堿基突變，以及使用高斯函數(shù)對(duì)WGBS數(shù)據(jù)處理，消除了堿基突變以及相近CpG位點(diǎn)的影響后，提取各種腫瘤的甲基化狀態(tài)特異的位點(diǎn)，以傳統(tǒng)統(tǒng)計(jì)學(xué)與深度神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法構(gòu)建深度神經(jīng)網(wǎng)絡(luò)（DNN）模型，通過大量真實(shí)數(shù)據(jù)的訓(xùn)練，校正、驗(yàn)證以及與現(xiàn)有模型性能比較。得到準(zhǔn)確性較高的兩個(gè)深度神經(jīng)網(wǎng)絡(luò)模型，分別為腫瘤類型區(qū)分模型（TTR_DNN）和早期腫瘤預(yù)測(cè)模型（ETP_DNN），對(duì)腫瘤類型的區(qū)分與早期腫瘤預(yù)測(cè)提供了一定幫助