[发明专利]一种DNA甲基化芯片数据的扩展方法

摘要

本发明公开了一种DNA甲基化芯片数据的扩展方法，通过预测DNA甲基化芯片未覆盖的CpG位点来实现DNA甲基化芯片数据的扩展。具体的讲，对于待预测的CpG位点，先基于DNA甲基化芯片测得的数据和DNA序列提取特征，然后进行特征变换并结合全基因组亚硫酸氢钠测序法测得的待预测点的甲基化值训练随机森林回归模型，最后使用训练好的随机森林回归模型对新数据进行预测。

主权项

一种DNA甲基化芯片数据的扩展方法，其特征在于，包括以下步骤：(1)、数据获取从公共数据库中获取现有的任意一种组织的每一个待预测CpG位点的上游和下游d1长度范围内基于DNA甲基化芯片测得的甲基化值1及此组织的DNA序列，以及基于全基因组亚硫酸氢钠测序法测得的每一个待预测CpG位点甲基化值2；(2)、整合DNA甲基化芯片测得的甲基化值1及此组织的DNA序列作为预测模型的特征对甲基化值1进行加权，并将此加权值作为预测模型的特征1；在DNA序列中，统计出每一个待预测CpG位点相邻区域d2长度范围内的1聚体和2聚体的DNA碱基对出现次数，作为预测模型的特征2；统计NpN的产生频率，作为预测模型的特征3；最后将特征1、特征2和特征3共同作为预测模型的输入特征；(3)、特征变换(3.1)、对输入特征进行标准化处理；设输入特征是一个n行p列的矩阵X＝(xi,j)n×p进行标准化变换：Zi,j=xi,j-x‾jsj,i=1,2,...,n;j=1,2,...,p;]]>其中，表示第j列的平均值，s表示第j列的标准差，对输入输入特征进行标准化处理后得到标准化矩阵Z；(3.2)、计算标准化矩阵Z的相关系数矩阵R：R=ZTZn-1]]>(3.3)、按照F表示预设阈值，计算相关系数矩阵R的特征方程|R‑λIp|＝0的特征根λk，Ip单位矩阵，确定出m个主成分分量；对每个特征根λk解方程Rbk＝λkbk，求得单位特征向量bk；(3.4)、将标准化矩阵Z转换为主成分Uk＝ZTbk，k＝1,2,…,m，Uk表示第k个主成分；(4)、构建随机森林回归模型先利用m个主成分分量和甲基化值2构建多个决策树，再将多个决策树按照其产生方式组合成随机森林回归模型；(5)、独立样本预测(5.1)、按照步骤(1)所述方法获取任意组织的每一个待预测CpG位点的上游和下游d1长度范围内基于DNA甲基化芯片测得的甲基化值及此组织的DNA序列；(5.2)、按照步骤(2)‑(3)的方法整合DNA甲基化芯片测得的甲基化值及此组织的DNA序列得到输入特征，然后对输入特征进行特征变换得到m个主成分；(5.3)将m个主成分输入步骤(4)训练好的随机森林模型进行预测得到每个待预测CpG位点的甲基化值即完成对DNA甲基化芯片数据的扩展。