一种DNA序列上的表观遗传修饰信号预测方法

本发明涉及生物信息处理领域，特别涉及一种dna序列上的表观遗传修饰信号预测方法。背景技术：1、5-羟甲基胞嘧啶（5-hydroxymethylcytosine, 5hmc）是dna甲基化中常见的氧化形式，稳定存在于生物基因组中，对基因表达和细胞过程起着重要的调节作用。在实现对5hmc的单碱基分辨率无偏定量方面，通常通过化学或生物酶方法将其转化后进行高通量测序，例如oxbs-seq和caps测序。实验要求细致处理生物样本和检测技术，因此提出了基于机器学习的预测算法。2、2020年提出了deeph&m算法，利用限制性内切酶切割携带5hmc修饰的dna片段，经过抗体富集测序后，结合dna序列，利用深度学习算法实现单碱基分辨率下5hmc修饰水平的预测。deeph&m主要由三个模块构成：cpg模块接受基因组和甲基化特征输入，dna模块利用卷积神经网络处理原始dna序列数据，联合模块结合cpg和dna模块的输出，同时预测5hmc和5mc。 该方法的cpg模块依赖的特征包括medip-seq、mre-seq和hmc-seal等，同时依赖三种生物检测技术，且使用3个模块解决一个复杂的任务，显而易见的弊端是：1，各个步骤的训练目标不一致，与宏观目标存在偏差，训练出来的模型很难达到最优的结果；2，每一个步骤都有误差，前一个步骤的误差会影响到下一步骤训练的结果，误差的积累最终导致最终结果很差。3、2024年引入了一种名为deep5hmc的新型多模态深度学习框架，通过整合dna序列信息和组蛋白修饰信号，实现对组织/细胞类型特异性全基因组5hmc修饰的预测。然而，deep5hmc只能对1000bp的区域层面的修饰水平进行预测，而无法实现单碱基分辨率的预测。技术实现思路1、本发明的目的在于实现全基因组单碱基分辨率的5hmc修饰水平的准确预测，本研究提出了一种基于wgbs的创新5hmc修饰预测算法。该算法无需依赖额外的组蛋白修饰或5hmc富集数据，仅通过利用常见且易获取的wgbs数据，结合dna序列信息，并采用卷积神经网络模型，实现了对5hmc的修饰水平的准确预测。2、本发明的目的是通过以下技术方案来实现的：3、一种dna序列上的表观遗传修饰信号预测方法，所述方法步骤包括：4、s1.数据准备：对wgbs和caps数据分别计算5mc和5hmc水平每个cpg位点上下游的dna甲基化水平和5hmc修饰水平，并根据计算的结果进行分类，分别构建训练集和测试集，后者作为模型的目标数据，并根据染色体编号进行分类，分别构建训练集和测试集；5、s2.特征表示：根据训练集和测试集中的数据特征进行表示，以构建训练所需的特征输入和输出合并训练集和测试集中的上下游50bp的dna序列和上下游50个cpg位点的甲基化水平数据特征进行表示，以构建训练所需的特征输入矩阵；6、s3.模型训练和调优：使用卷积神经网络模型和均方误差损失函数进行训练和参数调优，用于实现对5hmc的修饰水平的预测。7、进一步的，所述步骤s1中，从caps数据中提取cpg上的5hmc修饰水平作为目标数据，以染色体编号为1和2的位点作为测试集，染色体编号为3和4的位点作为训练集。8、进一步的，在所述步骤s2中，从wgbs数据中，提取每个cpg上、下游50个cpg的dna甲基化水平，提取每个cpg位点上下游50bp的dna序列，并使用one-hot编码方式对dna序列进行编码，形成4×100的数据矩阵，合并wgbs中提取的dna甲基化水平，形成5×100的数据矩阵，其公式如下：9、10、进一步的，在所述步骤s3中，将特征数据矩阵作为卷积神经网络（cnn）模型的输入，5hmc修饰水平作为输出，训练cnn模型以学习特征和5hmc之间的关系，根据预测准确性调整模型参数，训练过程中模型使用的损失函数为mse，计算方法如下：11、12、其中n为样本的数量，为第i个样本的真实5hmc修饰水平，为第i个样本的模型预测5hmc修饰水平。13、进一步的，在所述步骤s3中，再使用训练好的cnn模型对测试集数据进行预测，评估模型对5hmc修饰水平的预测能力。14、本发明的有益效果是：15、（1）本发明提出了基于cnn模型对检测难度高的5hmc信号实现了全基因组单碱基分辨率的预测，精度比区间长度上的5hmc水平预测更高；16、（2）通过将dna序列和5mc特征进行整合，可以融合dna甲基化及序列特征，相比仅使用dna序列或仅依赖生物实验检测的组蛋白等模型，扩展了模型的信息输入，使模型更全面且准确；17、（3）依赖于wgbs测定的dna甲基化信号，不需要其他组学数据的支持，因此降低了对生物检测数据的依赖性，使预测模型更具可操作性；18、（4）采用了cnn模型，利用其局部感知优势，本发明能够高效地提取dna序列特征，特别是针对5hmc修饰，从而提高了预测精度和效率。技术特征：1.一种dna序列上的表观遗传修饰信号预测方法，其特征在于，所述方法步骤包括：2.根据权利要求1所述的一种dna序列上的表观遗传修饰信号预测方法，其特征在于，所述步骤s1中，从caps数据中提取cpg上的5hmc修饰水平作为目标数据，以染色体编号为1和2的位点作为测试集，染色体编号为3和4的位点作为训练集。3.根据权利要求1所述的一种dna序列上的表观遗传修饰信号预测方法，其特征在于，在所述步骤s2中，从wgbs数据中，提取每个cpg上、下游50个cpg的dna甲基化水平，提取每个cpg位点上下游50bp的dna序列，并使用one-hot编码方式对dna序列进行编码，形成4×100的数据矩阵，合并wgbs中提取的dna甲基化水平，形成5×100的数据矩阵，其公式如下：4.根据权利要求1所述的一种dna序列上的表观遗传修饰信号预测方法，其特征在于在所述步骤s3中，将特征数据矩阵输入卷积神经网络模型，5hmc修饰水平作为输出，训练cnn模型以学习特征和5hmc之间的关系，根据预测准确性调整模型参数，训练过程中模型使用的损失函数为mse，计算方法为：5.根据权利要求1所述的一种dna序列上的表观遗传修饰信号预测方法，其特征在于在所述步骤s3中，使用训练好的cnn模型对测试集数据进行预测，评估模型对5hmc修饰水平的预测能力。技术总结本发明公开了一种DNA序列上的表观遗传修饰信号预测方法，涉及生物信息处理领域。该方法步骤包括：数据准备：对WGBS和CAPS数据分别计算CpG位点上下游的5‑甲基胞嘧啶（5mC）修饰水平和5‑羟甲基胞嘧啶(5hmC)修饰水平，作为模型的目标数据，并根据染色体编号进行分类，分别构建训练集和测试集；特征表示：合并训练集和测试集中的上下游50bp的DNA序列和上下游50个CpG位点的甲基化水平数据特征进行表示，以构建训练所需的特征输入矩阵；模型训练和调优：使用卷积神经网络模型和均方误差损失函数进行训练和参数调优，用于实现对5hmC的修饰水平的预测。本方法仅需WGBS测定的DNA甲基化信号，降低了对生物检测数据的依赖性，使预测模型更具可操作性；提高了预测精度和效率。技术研发人员：罗锡梅,李艳超,王彦苏,邹权受保护的技术使用者：电子科技大学技术研发日：技术公布日：2024/8/16