[发明专利]一种差异甲基化位点识别方法

摘要

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。

主权项

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)、利用随机森林分类模型分别计算m个特征的重要性对特征gθ计算重要性的公式为：RIgθ=Στ=1st(wAcc)uΣngθ(τ)IG(ngθ(τ))(num.in.ngθ(τ)num.in.τ)v]]>其中，表示在第τ棵树中有个结点是由特征gθ分割的，表示特征gθ在第τ棵树中某个由特征gθ分割的结点点处的信息增益比，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；wAcc表示某一棵树在训练时，对这一棵树中未用到的样本进行测试，测试指标为带权重的正确率，计算公式如下：wAcc=1cΣx=1cnxxnx1+nx2+...+nxc]]>其中，c表示样本有c类，nxy表示在预测时将属于第x类的样本分到第y类的样本数；(4.3)、判断每个特征的重要性是否大于0，如果大于0，则该特征对应的位点为差异甲基化位点。