[发明专利]一种细胞特异性基因组G-四链体的预测方法

权利要求书

1.一种细胞特异性的G4-DNA预测方法，其特征在于，包括以下步骤：

（1）产生给定物种所有潜在的G4-DNA序列集合：所述潜在的G4-DNA序列包括：规则的G4-DNA序列和奇异的G4-DNA序列；

（2）收集该物种实验检测所获得的体内细胞特异性G4-DNA数据：体内细胞特异性G4-DNA数据由G4 ChIP-seq测序实验提供，收集利用该技术检测不同细胞所获得的原始实验数据，得到细胞特异性G4-DNA集合，本方法滤去长度小于15bp的序列，细胞特异性G4-DNA集合以BED文件形式存储，条目形式为“chrom，chromStart，chromEnd”；

（3）收集细胞特异的染色质开放结构数据和DNA甲基化数据：

所述细胞特异的染色质开放结构数据的分析方法如下：处理对应细胞由染色质可及性检测技术ATAC-seq所获得的测序数据，其数据形式为BedGraph形式，包含每一开放区域的坐标信息与开放程度值，具体表示为“chrom，chromStart，chromEnd，value”，即每一区域为所在染色体、区域起始坐标、区域结束坐标及开放程度值构成的四元组；将所有未在原始文件中出现的基因组区域条目添加到文件中，并将上述添加条目的开放程度值赋值为0，得到以BedGraph形式文件呈现的全基因组染色质开放程度信息；

所述细胞特异的DNA甲基化数据的分析方法如下：处理对应细胞的由DNA甲基化检测技术WGBS-seq所获得的测序数据，其数据形式以BedGraph形式保存，包含每一高甲基化区域的坐标信息与甲基化程度值，具体表示为“chrom，chromStart，chromEnd，value”，即每一区域为所在染色体、区域起始坐标、区域结束坐标及开放程度值构成的四元组；将所有未在原始文件中出现的基因组区域，条目添加到文件中，并将上述添加条目的甲基化程度值赋值为0，得到以BedGraph形式文件呈现的全基因组染色质甲基化程度信息；

（4）建立G4-DNA序列细胞特异性染色质环境特征向量：选定每一G4-DNA条目坐标中点为中心，向上游、下游分别扩展，最终构成定长区域，作为对应每个G4-DNA条目的染色体环境背景考察区域，采用滑窗法计算区域均值的方法压缩数据特征；

所述的滑窗法的计算方法如下：

采用一定长滑窗对区域以一定步长进行扫描，每步均计算窗口内染色体开放程度值/甲基化程度值的平均值，作为该滑窗包含区域的染色体环境背景数值；

若按照缺省值计算，最终将得到一个20维的染色体开放程度数值序列和一个20维的甲基化程度数值序列；

对于每一条G4-DNA序列，都可以得到一组这样的数值特征条目，每一条目均由维度为(1,40)的浮点数特征向量表示：(o₁,o₂,…o₂₀, m₁,m₂,…m₂₀)，其中o_i和m_i分别表示滑窗第i步扫描区域内染色质开放程度区域均值及甲基化程度区域均值；

（5）建立细胞特异性的G4-DNA训练样本集合：潜在的G4-DNA如果在特定细胞中形成真正的G4-DNA，那么该G4-DNA就是这个细胞的正样本；相反，如果一个潜在的G4-DNA在特定细胞中不形成G4-DNA，则是一个负样本；

（6）建立细胞特异性的G4-DNA预测分类器模型：所述分类器模型以潜在的G4-DNA的染色质环境特征向量为输入，判断其是否会在特定细胞环境中形成G4-DNA；记 TP, TN, FP,FN 分别为真阳性样本、真阴性样本、假阳性样本及假阴性样本数目，得到三个指标表示如下：

其中，Accuracy、Precision和Recall分别指准确率、查准率和查全率；

在步骤（5）得到的细胞特异性的G4-DNA训练样本集合上进行五折交叉验证：即将细胞特异性的G4-DNA训练样本集合随机分成五等份，每次训练取其中四份为训练集，余下一份为测试集进行五次验证，计算与评估评价指标；交叉验证后，利用完整训练集对Xgboost模型进行训练，并在完整测试集上进行测试，评估评价指标，最终得到细胞特异性的G4-DNA预测分类器模型；

（7）细胞特异性G4-DNA预测：对于一种需要预测的细胞，以集合GS中每一个潜在G4-DNA条目在对应细胞中的染色质环境特征向量，即染色体开放程度数值序列和甲基化程度数值序列，作为预测分类器输入，分类器输出各条目是否为细胞特异性G4-DNA，以表明该潜在序列在对应细胞中是否会真正形成G4-DNA；最后，输出所有被预测为对应细胞实际存在的G4-DNA，输出形式BED文件形式，文件包含所有分类为细胞特异性G4-DNA的条目染色体坐标。