A Stochastic Automata Network Description for Spatial DNA-Methylation Models
DNA甲基化是调控基因表达和控制细胞发育的重要生物学机制。机制建模已成为一种流行的方法，以提高我们的理解的动态甲基化模式形成的活细胞。最近的研究结果表明，胞嘧啶碱基的甲基化状态可以受到其DNA邻域的影响。因此，有必要推广现有的数学模型，只考虑一个胞嘧啶和它的配偶体上的相反的DNA链（CpG），以包括这样的邻域依赖性。一种方法是将系统描述为具有功能转换的随机自动机网络（SAN）。我们发现，单CpG模型可以成功地推广到多个CpG使用SAN的描述，并通过比较它们从广泛的蒙特卡罗模拟结果验证结果。
2019-10-24 q-bio.GN
A Stochastic Model for the Formation of Spatial Methylation Patterns
DNA甲基化是一种表观遗传机制，其在发育中的重要作用已被广泛认识。这种表观遗传修饰导致非由DNA序列编码的基因表达的可遗传变化。控制DNA甲基化的潜在机制仅被部分理解，并且最近已经提出了负责DNA甲基化的酶活性的不同机制模型。在这里，我们扩展了现有的隐马尔可夫模型（HMM）的DNA甲基化的空间甲基化模式随着时间的推移描述的发生，并提出了几个模型与不同的邻域依赖性。我们对应用于亚硫酸氢盐测序测量的阻碍进行数值分析，并准确预测野生型数据。此外，我们发现的证据表明，酶的活动依赖于左5'邻域，而不是在右3'邻域。
2017-07-10 q-bio.GN
DNA methylation variation in Arabidopsis has a genetic basis and shows evidence of local adaptation
表观基因组对环境的调节可能为生物体提供了一种适应机制，包括代内和代间。然而，这种情况发生的程度和所涉及的分子机制都不清楚。在这里，我们调查DNA甲基化的变化在瑞典拟南芥加入生长在两个不同的温度。环境对DNA甲基化的影响仅限于转座子，其中发现CHH甲基化随温度增加而增加。全基因组关联图谱显示，广泛的CHH甲基化变异与顺式和反式的遗传变异密切相关，包括与DNA甲基转移酶CMT2接近的主要反式关联。与CHH甲基化不同，基因编码区的CpG基因体甲基化（GBM）不受生长温度的影响，而是与原产地的纬度密切相关。来自较冷地区的基因组的显著部分具有较高水平的GBM，这与受影响基因的转录水平升高相关。全基因组关联图谱显示，这种影响主要是由于反式作用位点，其中一个显着的分数显示出局部适应的证据。这些发现构成了DNA甲基化与环境适应之间的第一个直接联系，并为进一步剖析环境驱动和遗传决定的表观遗传变异如何相互作用和影响生物体适应性提供了基础。
2014-10-21 q-bio.GN
Generalized Method of Moments Estimation for Stochastic Models of DNA Methylation Patterns
随着测序技术的进步，大量的表观基因组数据已经变得可用，计算方法对表观遗传学研究的进展做出了重大贡献。作为基于机器学习的方法的正交方法，机制建模旨在描述表观遗传变化的机制。在这里，我们提出了一个有效的方法，参数估计随机模型，描述DNA甲基化模式随时间的动态。我们的方法是基于广义矩量法（GMM），并给出了类似的最大似然估计方法的准确性的结果。然而，与后者相反，GMM仍然允许有效和准确的参数校准，即使模型的复杂性由于考虑较长的甲基化模式而增加。我们显示了我们的方法的有用性，通过将其应用于发夹亚硫酸氢盐测序数据从小鼠胚胎干细胞的不同模式长度。
2019-11-04 q-bio.GN
Deep Neural Network for Analysis of DNA Methylation Data
许多研究表明，在CpG背景下发生的DNA甲基化与包括癌症在内的疾病有很强的相关性。人们对分析DNA甲基化数据以发现如何区分肿瘤的不同亚型有浓厚的兴趣。然而，传统的统计方法不适合分析高维DNA甲基化数据的有界支持。为了明确地捕捉数据的属性，我们设计了一个由多个堆叠的二进制限制玻尔兹曼机组成的深度神经网络，来学习DNA甲基化数据的低维深度特征。实验结果表明，与现有的一些方法相比，这些特征在乳腺癌DNA甲基化数据聚类分析中表现最好。
2020-01-28 q-bio.GN q-bio.QM stat.ML
CD44 alternative splicing is a sensor of intragenic DNA methylation in tumors
DNA甲基化（meDNA）被怀疑是可变剪接的调节剂，而剪接反过来又与DNA突变一样频繁地参与肿瘤形成。然而，meDNA通过其对剪接的作用对肿瘤发生的影响尚未被彻底探索。在这里，我们发现，HCT 116结肠癌细胞失活的DNA甲基化酶DNMT 1和DNMT 3b进行部分上皮间质转化（EMT）与可变剪接的CD 44跨膜受体。CD44变体外显子的跳跃部分由剪接和染色质因子的改变的表达或剪接来解释。meDNA对可变剪接的直接作用通过DNMT 1和甲基结合基因MBD 1、MBD 2和MBD 3的瞬时消耗来维持。然而，基因内meDNA的局部变化也改变了MBD 1蛋白和染色质因子HP 1 $γ$的募集，已知该因子可改变转录暂停和可变剪接决定。我们进一步测试了meDNA水平是否对可变剪接的结果具有足够强的直接影响，以在MCF 10A模型中对乳腺癌进展和急性淋巴细胞白血病（B ALL）患者具有预测价值。我们发现，少数差异剪接的基因主要参与剪接和信号转导是系统地与当地的meDNA。总之，我们的观察表明，虽然DNA甲基化有多种途径可变剪接，其间接作用也可能是通过这些meDNA传感器的可变剪接同种型介导的。
2019-10-24 q-bio.GN
Convolutional Neural Networks In Classifying Cancer Through DNA Methylation
Saama Technologies AI Research Lab（萨马技术人工智能研究实验室）
DNA甲基化是研究最广泛的表观遗传标记。通常，基因型、DNA序列的变化会导致个体表型、可观察特征的变化。但DNA甲基化发生在CpG（由磷酸骨架连接的胞嘧啶和鸟嘌呤碱基）二核苷酸的背景下，不会导致原始DNA序列的变化，但有可能改变表型。DNA甲基化涉及各种生物过程和疾病，包括癌症。因此，人们对理解各种表观遗传相关疾病的DNA甲基化模式有着浓厚的兴趣，以便在早期阶段区分和诊断疾病的类型。在这项工作中，使用卷积神经网络（CNN）探索甲基化与非甲基化CpG区域和癌症类型之间的关系。然后提出了一种基于CNN的深度学习模型，该模型可以基于从公开可用的DNA甲基化数据集的学习来对新的DNA甲基化谱的癌症进行分类。
2018-07-24 cs.LG q-bio.GN stat.ML
A DNA Methylation Classification Model Predicts Organ and Disease Site
该研究开发了一个机器学习框架，利用跨平台DNA甲基化特征从cfDNA中分类组织和疾病起源，在测试集上准确率达0.75-0.8，并能定量推断组织比例，为精准医学中的液体活检奠定了基础。
2025-05-30 q-bio.GN
Transform-Domain Classification of Human Cells based on DNA Methylation Datasets
Rutgers University–New Brunswick（罗格斯大学新布朗斯维克分校）
提出了一种基于DNA甲基化数据的变换域方法对人类细胞进行分类。随着疾病阶段的进展，在人类细胞中观察到DNA甲基化谱的变化，并且该提议基于这种DNA甲基化变化来分类正常和疾病细胞，包括癌细胞。在这项工作中研究的癌细胞类型包括肝细胞（样本量n = 40），结肠直肠（n = 44），肺（n = 70）和子宫内膜（n = 87）癌细胞。提出了一种新的流水线，通过Walsh-Hadamard变换（WHT）将所有CpG岛上的DNA甲基化强度测量整合在一起。该研究揭示了DNA甲基化转换域数据的三步特性以及与细胞状态相关的步长值。已经对所提出的机器学习管道进行了进一步的评估，以执行正常和癌症组织细胞的分类。基于公共全基因组亚硫酸氢盐测序（WGBS）DNA甲基化数据集，比较了许多机器学习分类器用于全序列和WHT序列分类。基于WHT的方法可以加快计算时间超过一个数量级相比，整个原始序列分类，而保持相当的分类精度由选定的机器学习分类器。所提出的方法具有广泛的应用，加快疾病和正常人类细胞分类的表观基因组和基因组数据集。
2019-12-31 cs.LG q-bio.GN
A Bayesian framework for genome-wide inference of DNA methylation levels
DNA甲基化是一种重要的表观遗传标记，其在生物过程和疾病中的调节作用已被广泛研究。WGBS允许对DNA甲基化进行全基因组测量，最高可达单碱基分辨率，但在不同生物条件下识别显著不同的甲基化模式方面存在挑战。我们提出了一种新的甲基化组变点模型，它描述了一个案件和对照组的甲基化制度的联合动力学，并考虑到所有可用的样品之间的相邻甲基化位点的信息的好处。我们还设计了粒子滤波和平滑算法来执行潜在的甲基化模式的有效推理。我们说明，我们的方法可以检测和测试非常灵活的差异甲基化签名与高功率，同时控制第一类错误措施。
2022-11-14 q-bio.GN q-bio.QM stat.AP
Integrating diverse datasets improves developmental enhancer prediction
基因调控增强子已被许多证据所证实，包括进化保守性、调控蛋白结合、染色质修饰和DNA序列基序。为了整合这些不同的方法，我们开发了增强子，一种预测发育增强子及其组织特异性的新方法。增强子使用两步多核学习方法来整合DNA序列基序、进化模式和来自各种细胞类型和发育阶段的数千个不同功能基因组学数据集。我们在VISTA增强子浏览器中的数百个实验验证的人类发育增强子上训练增强子，与常用的组蛋白标记或基于序列的增强子定义相反。我们全面评估了增强子，发现我们的综合方法比以前考虑单一类型数据的方法提高了增强子预测的准确性。我们的评估强调了在预测特定类型的增强子时考虑来自许多组织的信息的重要性。我们发现，由于VISTA增强子独特的高GC含量，其在胚胎心脏中的活性比在其他几种组织中的活性更容易预测。我们将增强子应用于整个人类基因组，并预测了84，301个发育增强子及其组织特异性。这些预测为大量人类非编码DNA提供了特定的功能注释，并且在其预测组织中具有注释作用的基因附近显著富集，并且来自全基因组关联研究。我们证明了我们的增强子预测的实用性，通过识别和验证一种新的颅神经增强子在ZEB2基因座。我们的全基因组发育增强子预测将作为UCSC基因组浏览器轨道免费提供。
2013-09-27 q-bio.GN
Classification of large DNA methylation datasets for identifying cancer drivers
DNA甲基化是一种研究充分的遗传修饰，对调节基因组的功能至关重要。它的改变在肿瘤的发生和抑瘤中起重要作用。因此，研究DNA甲基化数据可能有助于发现癌症中的生物标志物。由于关于DNA甲基化的公开数据变得丰富，并且考虑到基因组中存在大量的甲基化位点（特征），因此具有有效处理如此大的数据集的方法是重要的。依托大数据技术，我们提出了BIGBIOCL算法，可以将监督分类方法应用于具有数十万特征的数据集。它是专为提取替代和等效的分类模型，通过迭代删除选定的功能。我们对从癌症基因组图谱中提取的DNA甲基化数据集进行了实验，重点是三种肿瘤类型：乳腺癌，肾癌和甲状腺癌。我们进行分类提取几个甲基化位点及其相关基因的准确性能。结果表明，BIGBIOCL可以在几个小时内对数十万个特征进行数百次分类迭代。此外，我们比较了我们的方法与其他国家的最先进的分类器和广泛的DNA甲基化分析方法的基础上网络分析的性能。最后，我们能够有效地计算多个备选分类模型，并从DNA甲基化大数据集中提取一组候选基因，以进一步研究它们在癌症中的积极作用。BIGBIOCL，实验结果和进行新实验的指南可以在GitHub上免费获得。
2018-04-13 cs.CE q-bio.GN
Higher order methylation features for clustering and prediction in epigenomic studies
动机：DNA甲基化是一个被深入研究的表观遗传标记，但其功能作用尚未完全了解。试图将平均DNA甲基化与基因表达定量关联，除了CpG岛上的甲基化开关外，相关性很差。结果：在这里，我们使用概率机器学习来提取与定义区域的甲基化谱相关的高阶特征。这些特征精确地量化了甲基化谱形状的概念，捕获了跨基因组区域的DNA甲基化的空间相关性。使用这些跨启动子近端区域的高阶特征，我们能够构建基因表达的强大机器学习预测器，显著提高平均DNA甲基化水平的预测能力。此外，我们可以使用高阶特征来聚类启动子近端区域，表明在不同细胞系的启动子处发生五种主要的甲基化模式，并且我们提供了CpG岛以外的甲基化可能与基因表达的调控相关的证据。我们的研究结果支持以前的报告的甲基化模式的空间相关性的功能作用，并提供了一种手段来定量这些功能的下游分析。可用性：https://github.com/andreaskapou/BPRMeth
2016-03-28 q-bio.GN q-bio.QM
DNA Methylation in hypoxia in Mycobacterium tuberculosis
结核病是由结核分枝杆菌（Mycobacterium tuberculosis，MTB）引起的最致命的传染病之一，在许多情况下，感染者没有表现出任何症状，因为杆菌在肉芽肿中进入休眠阶段。MTB的休眠阶段也与对药物和免疫系统的较高抗性有关。在对MTB应激反应至关重要的多种表观遗传调节中，DNA甲基化是MTB在缺氧条件下存活所必需的，这是肉芽肿形成期间的常见应激事件。本文综述了以往的研究结果，并通过收集缺氧基因表达数据的几篇文章，并进行关联分析，这些基因和甲基化位点之间的配置文件跨越整个基因组的代表性菌株pf谱系2和4的荟萃分析。虽然需要更多的数据更确凿的支持，我们的研究结果表明，在可能的启动子区域的甲基化位点可能会导致差异基因调控缺氧。
2022-11-09 q-bio.GN q-bio.SC
BayMeth: Improved DNA methylation quantification for affinity capture sequencing data using a flexible Bayesian approach
DNA甲基化（DNA甲基化）是表观遗传调节机制的重要组成部分，DNA甲基化模式的异常发生在许多疾病中，例如癌症。绘制和理解DNAme图谱为逆转异常状态提供了相当大的希望。有几种方法来分析DNAme，其在成本、分辨率和覆盖范围方面差异很大。甲基化DNA的亲和捕获和高通量测序在全基因组亚硫酸氢盐测序（WGBS）的高成本和甲基化阵列的低覆盖率之间取得了良好的平衡。然而，现有的方法不能充分区分低甲基化模式和低捕获效率，并且不能提供整合拷贝数变异（CNV）的灵活性。此外，没有提供不确定性估计，这可能被证明对组合来自多个协议的数据或传播到下游分析有用。我们提出了一个经验贝叶斯框架，使用一个完全甲基化（即SssI处理）的对照样本，将观察到的读段密度转换为区域甲基化估计。在我们的模型中，低效率的捕获可以通过较大的后验方差与低甲基化水平区分开来。此外，我们可以通过在泊松模型框架中引入乘法偏移来集成CNV。值得注意的是，我们的模型提供了甲基化水平的均值和方差的解析表达式，因此计算速度很快。我们的算法优于现有的方法，在偏差，均方误差和覆盖概率，如多个参考数据集上所示。虽然我们的方法提供了优势，即使没有SssI控制，相当大的改善是通过它的结合。我们的方法可应用于甲基化DNA亲和富集测定（例如MBD-seq、MeDIP-seq），并且软件实现可在Bioconductor Repitools包中获得。
2013-12-11 q-bio.GN q-bio.QM
Characterization of DNA methylation as a function of biological complexity via dinucleotide inter-distances
我们进行了一个统计研究的DNA序列中的一个给定的二核苷酸的连续出现之间的距离为一些不同的复杂性的生物体。我们的分析突出了二核苷酸CG在哺乳动物DNA中分布的独特特征，指出了这种二核苷酸在DNA甲基化中的作用。虽然哺乳动物的CG分布表现出具有可比参数的指数尾，但研究的其他生物体的情况（例如，鱼类、昆虫、细菌和病毒）的DNA甲基化具有更大的异质性，这可能是因为在这些生物体中，DNA甲基化具有不同的功能作用。我们的分析表明，二核苷酸CG之间的距离的分布提供了有用的见解，在表征和分类生物体的甲基化功能。
2015-11-26 physics.bio-ph q-bio.GN q-bio.QM
Longitudinal prediction of DNA methylation to forecast epigenetic outcomes
Department of Computer Science（计算机科学系）；The University of Manchester（曼彻斯特大学）；Singapore Institute for Clinical Sciences (SICS)（新加坡临床科学研究所）；Bioinformatics Institute (BII)（生物信息学研究所）；Agency for Science, Technology and Research (A*STAR)（科技研究局）；Lancaster Medical School（兰卡斯特医学院）；Lancaster University（兰卡斯特大学）
本研究提出基于多均值高斯过程的纵向机器学习框架，利用儿童0-4岁DNA甲基化数据预测5-7岁状态，并支持表观遗传年龄等表型估计，推动表观遗传研究的纵向设计。
2023-12-19 cs.LG q-bio.GN stat.AP
GobyWeb: simplified management and analysis of gene expression and DNA methylation sequencing data
我们提出了GobyWeb，一个基于Web的系统，以促进高通量测序（HTS）项目的管理和分析。该软件为广泛的HTS分析提供了集成支持，并提供了一个简单的插件扩展机制。目前支持的分析包括信使和小RNA测序的基因表达的定量，DNA甲基化的估计（即，减少的亚硫酸氢盐测序和全基因组甲基-测序），或检测测序数据中的病原体。与许多为分析HTS数据而开发的分析管道相比，GobyWeb需要的存储空间要少得多，在并行网格上有效地运行分析，可以优雅地扩展以处理数十或数百个千兆字节的样本，但可以由熟悉使用Web浏览器的研究人员有效地使用。GobyWeb可以在http://gobyweb.campagnelab.org上获得，并免费用于非商业用途。
2012-11-28 q-bio.GN q-bio.QM
TREEOME: A framework for epigenetic and transcriptomic data integration to explore regulatory interactions controlling transcription
动机：基因表达的预测建模是通过整合高通量组学数据进行转录调控相互作用的计算机探索的有力框架。以前的方法的一个主要限制是他们无法处理条件和协同作用时出现的集体分析基因受到不同的监管机制。这种限制降低了整体预测能力，从而降低了下游生物推断的可靠性。结果如下：我们引入了一个分析建模框架（TREEOME：表达模型树），它通过将基因分离成假定的调控类来整合表观遗传和转录组数据。目前的预测建模方法已经发现DNA甲基化和组蛋白修饰表观遗传数据在预测转录本丰度的准确性方面提供很少或没有改善，尽管例如mRNA水平和启动子定位的DNA甲基化之间存在明显的反相关性。为了改善这一点，在TREEOME中，我们评估了四种可能的方法来制定基因水平的DNA甲基化指标，这为识别基因水平的甲基化事件和随后的差异分析提供了基础，而大多数以前的技术都是在单个CpG二核苷酸的水平上操作的。我们通过整合基因水平的DNA甲基化（亚硫酸氢盐-seq）和组蛋白修饰（ChIP-seq）数据来准确预测H1-hESC和GM 12878细胞系的全基因组mRNA转录丰度（RNA-seq），从而证明了TREEOME。可用性：TREEOME使用开源软件实现，并作为预配置的可引导参考环境提供。本研究中提供的所有脚本和数据均可在http://sourceforge.net/projects/budden2015treeome/上获得。
2015-02-05 q-bio.GN
Discovery and optimization of cell-type-specific DNA methylation markers for in silico deconvolution
本文利用44种健康细胞类型的全基因组亚硫酸氢盐测序数据，发现细胞类型特异性UMRs，并提出基于集合覆盖算法的methylcover软件，使反卷积误差较现有方法降低3倍。
2023-04-12 q-bio.GN q-bio.QM
Doubly Non-Central Beta Matrix Factorization for DNA Methylation Data
Columbia University（哥伦比亚大学）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Microsoft（微软）
基于双非中心β（DNCB）分布，提出了一种新的$(0,1)$有界支持度数据的非负矩阵分解模型，DNCB分布是β分布的推广. DNCB分布的表达性对于建模DNA甲基化数据集特别有用，DNA甲基化数据集通常是高度分散和多模态的;然而，模型结构足够通用，使得它可以适应于许多其他领域，其中$(0,1)$有界支持数据的潜在表示是感兴趣的。虽然DNCB分布缺乏一个封闭形式的共轭先验，几个增广让我们推导出一个有效的后验推理算法完全由解析更新。我们的模型提高了真实和合成DNA甲基化数据集的样本外预测性能，超过了生物信息学中最先进的方法。此外，我们的模型产生有意义的潜在表示，符合现有的生物学知识。
2021-06-12 cs.LG q-bio.GN stat.AP
DNA Methylation Data to Predict Suicidal and Non-Suicidal Deaths: A Machine Learning Approach
University of Saskatchewan（萨斯喀彻温大学）
本研究的目的是使用现代机器学习算法从DNA甲基化数据预测自杀和非自杀死亡。我们使用支持向量机对现有的二级数据进行分类，这些数据由两个大脑皮层区域组织的甲基化DNA探针强度的归一化值组成，以区分自杀病例和对照病例。在分类之前，我们使用主成分分析（PCA）和t分布随机邻居嵌入（t-SNE）来降低数据的维数。与PCA相比，现代数据可视化方法t-SNE在降维方面表现更好。t-SNE解释了低维数据中可能的非线性模式。我们应用了四重交叉验证，其中从t-SNE得到的输出被用作支持向量机（SVM）的训练数据。尽管使用了交叉验证，BA 11数据对自杀死亡的名义上完美的预测表明模型可能过度拟合。这项研究也可能受到“光谱偏差”的影响，因为这些个体只在两种极端情况下进行研究。这项研究构成了一项基线研究，用于根据DNA甲基化数据对自杀和非自杀死亡进行分类。未来的研究样本量更大，同时可能纳入来自活体个体的甲基化数据，可能会减少偏倚并提高结果的准确性。
2020-04-04 cs.LG q-bio.GN stat.ML
Cross-Platform DNA Methylation Classifier for the Eight Molecular Subtypes of Group 3 & 4 Medulloblastoma
本研究针对3型与4型髓母细胞瘤的8种分子亚型，构建了首个基于DNA甲基化的跨平台机器学习分类器，在HM450和EPIC平台测试中均取得优异性能，有望推动相关精准医疗发展。
2025-10-02 cs.AI q-bio.GN
M3D: a kernel-based test for shape changes in methylation profiles
DNA甲基化是一种深入研究的表观遗传标记，涉及许多与临床直接相关的生物学过程。虽然基于测序的技术越来越多地允许DNA甲基化的高分辨率测量，但此类数据的统计建模仍然具有挑战性。特别是，在不同条件下差异甲基化区域的统计识别在统计检验程序中解释空间相关性方面提出了尚未解决的挑战。我们提出了一种非参数的，基于内核的方法，M3D，检测甲基化谱的高阶变化，如形状，在预定义的区域。检验统计量明确地解释了样品之间覆盖水平的差异，从而以原则性的方式处理甲基化数据分析中的主要混淆因素。对真实和模拟数据集的实证测试表明，与现有方法相比，该方法具有更高的功效，并且在覆盖范围和复制水平方面具有相当大的鲁棒性。代码在R中实现，并通过Bioconductor包M3D免费提供。
2014-10-24 q-bio.GN q-bio.QM
Identifying Epigenetic Signature of Breast Cancer with Machine Learning
Stuyvesant High School（史岱文森高中）
本文报道的研究确定了乳腺癌的表观遗传生物标志物（甲基化β模式）。许多癌症是由DNA中CpG位点的异常甲基化引起的异常基因表达水平引发的。为了开发致癌甲基化的早期诊断和开发治疗方法，有必要从DNA中数百万个位置中识别出几十个关键的癌症相关CpG甲基化位点。这项研究使用公共TCGA数据集训练TensorFlow机器学习模型，根据每个样本中超过30万个甲基化β值对乳腺癌与非乳腺癌组织样本进行分类。应用L1正则化来识别对于准确分类最重要的CpG甲基化位点。假设具有最高学习模型权重的CpG位点对应于与乳腺癌最相关的DNA位置。仅在完整模型中具有最高权重的25个CpG位点的甲基化β上训练的简化模型（在超过300，000个CpG位点的甲基化β上训练）在评估数据上实现了超过94%的准确性，证实了所鉴定的25个CpG位点确实是乳腺癌的生物标志物。
2019-10-12 cs.LG q-bio.GN stat.ML
In silico tool for identification of colorectal cancer from cell-free DNA biomarkers
提出一种基于cfDNA甲基化位点筛选与机器学习建模的CRC无创识别工具，RFE结合MLP在验证集上取得最佳AUROC 0.89。
2025-05-16 q-bio.GN
A Bayesian binomial regression model with latent Gaussian processes for modelling DNA methylation
表观遗传观察结果由来自给定细胞池的读数总数和甲基化读数的数量表示，使得通过二项分布对该数据进行建模是合理的。有许多因素可以影响在特定区域的成功概率。此外，这些概率具有很强的空间（与基因组一起）依赖性。我们将依赖于协变量和空间依赖的甲基化概率的观察池的细胞通过一个二项式回归模型与潜在的高斯场和logit链接函数。我们采用贝叶斯方法，包括模型配置的先验规范。为了得到参数和模型的联合后验分布，我们在不同的协变量选择上运行跳模马尔可夫链蒙特卡罗算法（MJMCMC）。这还允许找到最佳协变量集以对感兴趣的基因组区域内的甲基化概率和协变量的个体边缘包含概率进行建模。
2020-04-28 q-bio.GN q-bio.QM stat.AP
DNA Methylation Profiling in Melanoma: From Lesion Classification to Therapeutic Stratification
German Cancer Research Center (DKFZ)（德国癌症研究中心）；University Heidelberg（海德堡大学）；Technische Universität Dresden（德累斯顿工业大学）；University Hospital (UKSH), Kiel（基尔大学医院）；LMU Munich（慕尼黑大学）；Uniklinikum Erlangen（埃尔朗根大学医院）；Bavarian Cancer Research Center (BZKF)（巴伐利亚癌症研究中心）；Charité – Universitätsmedizin Berlin（柏林夏里特医学院）；Freie Universität Berlin（柏林自由大学）；Humboldt-Universität zu Berlin（柏林洪堡大学）；Vivantes Hospital Spandau（施潘道维万特斯医院）；Dermpath München（慕尼黑皮肤病理实验室）；University Hospital Regensburg（雷根斯堡大学医院）；University Hospital Essen（埃森大学医院）；Deutsches Zentrum Immuntherapie (DZI)（德国免疫治疗中心）
本研究基于1001份组织样本，用Illumina Infinium MethylationEPIC芯片分析DNA甲基化，构建CpG分类器区分黑素细胞痣、非侵袭性与侵袭性黑色素瘤，还构建生物学导向特征模型预测治疗分组，证实甲基化可作为诊断和治疗分层的生物标志物。
2026-08-25 cs.LG q-bio.GN
A Novel Machine Learning Approach for Central Nervous System Tumor Classification from DNA Methylation
Universidade Federal de Pelotas（佩洛塔斯联邦大学）；Hospital de Clínicas de Porto Alegre（阿雷格里港临床医院）
提出结合稀疏随机投影降维与多项逻辑回归的机器学习方法，在参考队列上达到96%交叉验证准确率，独立队列上91类准确率86%，优于现有方法。
2026-07-03 cs.LG q-bio.GN
Detection of Epigenomic Network Community Oncomarkers
在本文中，我们提出了网络方法来推断预后癌症生物标志物的基础上表观遗传模式DNA甲基化。DNA甲基化等表观遗传过程反映了环境风险因素，并且越来越多地认识到它们在癌症等疾病中的基本作用。DNA甲基化是一种基因调控模式，因此提供了一种评估基因组调控相互作用的方法。网络模型是表示和分析此类交互组的自然方法。随着数据量和变量数量的增加，网络模型的实用性也在增加，这使得它们与大规模基因组研究越来越相关。我们提出了一种方法来推断预后基因组网络从DNA甲基化为基础的基因组相互作用和协会的措施。然后，我们展示了如何从这些网络中识别预后生物标志物，我们称之为“网络社区肿瘤标志物”。我们说明了我们提出的方法在一个大型公开的乳腺癌数据集的背景下的力量。
2016-08-01 q-bio.GN q-bio.MN stat.AP
An annotated list of bivalent chromatin regions in human ES cells: a new tool for cancer epigenetic research
干细胞中以二价染色质为标志的CpG岛（CGI）被认为更容易在肿瘤细胞中发生异常DNA甲基化。这种指导性计划在不同癌症类型中的稳健性和全基因组范围仍有待确定。为了解决这个问题，我们开发了一种用户友好的方法，将干细胞染色质特征整合到定制的DNA甲基化分析中。我们使用公开的几种人胚胎干细胞（hESC）系的ChIP测序数据集来确定全基因组二价染色质的程度。然后，我们创建了高置信度二价、仅H3K4me3和仅H3K27me3染色质区域的注释列表。二价区的主要特征包括CGI/启动子的定位、逆转录元件的缺失和特异性组蛋白修饰的富集，包括表征不佳的H3K23me2标记。此外，二价启动子可以分为三个集群的基础上PRC2和PolII复合物占用。具有PRC 2定义的簇的二价启动子的基因在分化时显示最低表达。作为概念验证，我们评估了八种类型肿瘤的DNA甲基化模式，并证实异常癌症相关的DNA超甲基化优先靶向hESC中以二价染色质为特征的CGI。我们还发现，这种异常的DNA超甲基化特别影响与分化后倾向于保持抑制的基因相关的二价CGI/启动子。引人注目的是，在CpG岛甲基化表型阳性（CIMP+）和CIMP阴性肿瘤中，二价CGI受异常DNA超甲基化的影响最大，这表明，除了在致瘤前细胞中的转录沉默之外，hESC中的二价染色质特征是异常DNA甲基化的指导性程序的关键决定因素。
2018-11-09 q-bio.GN q-bio.MN
Statistical inference of transmission fidelity of DNA methylation patterns over somatic cell divisions in mammals
我们开发了贝叶斯推断方法，用于最近出现的表观遗传数据类型，以研究DNA甲基化模式在细胞分裂过程中的传输保真度。数据由父母-女儿双链DNA甲基化模式组成，每个模式来自单个细胞，并表示为一对无序的二进制字符串。这些数据在技术上很困难，收集起来也很耗时，因此需要一种有效的推理方法。我们的目的是估计引起观察到的模式的维持和从头甲基化事件的速率，同时考虑测量误差。我们在多个站点联合建模数据，从而使用全链信息，并大大减少参数之间的混淆。我们还采用了一个层次结构，允许在没有爆炸的有效数量的参数跨站点的速率变化。我们的上下文特定的先验捕捉预期的平稳性，或近平稳性，随机过程，生成的数据在这里分析。这种预期的平稳性大大提高了估计的精度。将我们的模型应用于在人类FMR 1位点收集的数据集，我们发现，在类似研究中通常被忽略的测量误差以非平凡的比率发生（不适当的亚硫酸氢盐转换误差：1.6 $%$与80 $%$ CI：0.9--2.3 $%$）。考虑这些误差对关键生物学参数的估计有重大影响。估计的平均失败的维护率和女儿从头率下降，分别从0.04至0.024和0.14至0.07，当错误占。我们的研究结果还提供了证据表明，母体和子体链均可能发生新发事件：母体和子体新发事件发生率的中位数分别为0.08（80 $%$ CI：0.04--0.13）和0.07（80 $%$ CI：0.04--0.11）。
2010-11-09 q-bio.GN q-bio.QM stat.AP
Temperature reshapes epigenomic diversity in Arabidopsis thaliana -- JSD and Methylator reveal RdDM-CMT2 plasticity
University of Zurich（苏黎世大学）；Swiss Institute of Bioinformatics（瑞士生物信息学研究所）
本研究利用JSD分析1075个拟南芥生态型，发现温度通过改变RdDM与CMT2通路平衡重塑表观基因组DNA甲基化多样性，并揭示了南欧生态型在高温下的地理适应特征。
2025-11-03 q-bio.GN
Pan-Cancer Epigenetic Biomarker Selection from Blood Samples Using SAS
目前癌症研究的一个关键焦点是发现癌症生物标志物，这些生物标志物可以更早地检测出癌症，并且对患者和医院都具有高准确性和更低的成本。血液样本长期以来一直被用作健康状况指标，但血液中的DNA甲基化特征在癌症研究中尚未得到充分重视。历史上，癌症的分析直接用患者的肿瘤或相关组织进行。这种分析允许医生诊断患者的健康和癌症状态;然而，医生必须观察某些症状，促使他们使用活检或成像来验证诊断。这是一种事后处理办法。我们的研究将集中在癌症检测的表观遗传学信息，特别是癌症不一致的单卵双生子对中人类外周血样本中的DNA甲基化信息。这些信息可能有助于我们在第一个症状出现之前更早地发现癌症。也可以使用其他几种类型的表观遗传数据，但在这里，我们使用SAS 9.3和SAS EM证明了血液DNA甲基化数据作为泛癌症生物标志物的潜力。我们报告了血液样本中可测量的55个甲基化CpG位点可用作早期癌症检测和分类的生物标志物。
2018-12-21 q-bio.GN stat.ME
Imprinting control regions (ICRs) are marked by mono-allelic bivalent chromatin when transcriptionally inactive
印迹基因的亲本等位基因特异性表达是由印迹控制区（ICR）介导的，印迹控制区由母本或父本等位基因上的DNA甲基化印迹组成型标记。单等位基因DNA甲基化是印记过程中严格需要的，并且必须在整个生命周期中忠实地维持。虽然DNA甲基化本身的调节已经被很好地理解，但是相对等位基因保持未甲基化的机制尚不清楚。在这里，我们表明，在小鼠中，在母系甲基化的ICR，父亲的等位基因，这是组成性相关的H3 K4 me 2/3，是由H3 K27 me 3默认标记时，这些ICR是转录失活，导致形成一个二价染色质签名。我们的数据表明，在ICRs，染色质二价有一个保护作用，确保父亲等位基因上的DNA保持未甲基化，并防止虚假的和计划外的基因表达。此外，它们提供了概念证明，即除了多能细胞之外，染色质二价是转录失活的CpG岛启动子的默认状态，无论发育阶段如何，从而有助于保护细胞身份。
2018-11-09 q-bio.GN q-bio.MN
Data-Driven Soft Labeling Scales DNA Read Classification to Whole-Body Cell-Type Deconvolution
Department of Oncology KU Leuven（鲁汶大学肿瘤学系）
针对细胞类型反卷积难题，提出数据驱动软标签估计读取的条件细胞类型分布，集成到新框架Syto，在人体39种细胞类型图谱上表现出色，为大型细胞类型面板建模奠基，软标签方案可用于多对多映射场景。
2026-10-21 cs.LG q-bio.GN q-bio.QM
MethConvTransformer: A Deep Learning Framework for Cross-Tissue Alzheimer's Disease Detection
McWilliams School of Biomedical Informatics and School of Public Health, The University of Texas Health Science Center at Houston（麦威廉生物医学信息学学院和公共卫生学院，德克萨斯大学健康科学中心休斯顿分校）
MethConvTransformer通过整合大脑和外周组织的DNA甲基化数据，提供跨组织的阿尔茨海默病表观遗传生物标志物，并通过多分辨率可解释性分析揭示与AD相关通路的生物意义模式。
2026-01-01 cs.AI q-bio.GN
Conditional Monte Carlo Tree Diffusion for Designing Cell-Type-Specific and Biologically Faithful Regulatory DNA
Medical University of Vienna（维也纳医科大学）；CeMM Research Center for Molecular Medicine of the Austrian Academy of Sciences（奥地利科学院分子医学研究中心）
本文提出DNA-CRAFT框架，结合条件离散扩散与蒙特卡洛树搜索，设计具有细胞类型特异性且生物忠实的调控DNA元素，通过训练和条件学习实现高精度调控序列生成。
2026-04-22 q-bio.GN
The Importance of DNA Repair in Tumor Suppression
从正常细胞到癌细胞的转变需要许多高度特异性的突变，这些突变影响细胞周期调节、凋亡、分化和许多其他细胞功能。癌基因组的一个标志是基因组不稳定性，突变率远高于正常细胞。在微卫星不稳定性（MIN肿瘤）中，这些通常是由错配修复基因的损伤引起的，允许基因组的进一步突变和肿瘤进展。这些突变率可能接近适应性RNA基因组准种模型中发现的错误灾难，表明进一步增加突变率将破坏癌基因组。然而，最近的研究结果表明，DNA基因组在突变率远低于其保守对应物时表现出错误阈值。此外，虽然保守系统中的最大可行突变率随着主序列适合度的增加而无限增加，但保守阈值在相对较低的值处稳定。这意味着一个悖论，其中在存活的肿瘤细胞中发现了难以接近的突变率。在本文中，我们解决这个矛盾，证明了保守复制（RNA）准种模型和保守（DNA）模型与甲基化后DNA修复机制受损之间的同构。因此，随着DNA修复变得失活，最大可行突变率平稳地增加到在转化景观上保守复制系统的最大可行突变率，其上限取决于复制率。我们假设甲基化后修复机制的失活是肿瘤细胞进展的基础，因此这些机制作为预防和破坏癌基因组的方法。
2004-05-04 cond-mat.other q-bio.GN q-bio.OT
Human Age Estimation from Gene Expression Data using Artificial Neural Networks
West Virginia University（西弗吉尼亚大学）
从基因组生物标志物的角度研究衰老的特征，对于理解衰老的机制和开发准确预测年龄的模型具有独特的帮助。先前的研究采用了基因表达和DNA甲基化数据，旨在准确预测年龄。在这条线上，我们提出了一个新的框架，人类皮肤成纤维细胞基因表达数据的信息，用于人类年龄估计。首先，我们提出了一种新的空间表示以及数据增强方法的基因表达数据。接下来，为了预测年龄，我们设计了一个神经网络的架构，并将其应用于这种新的表示的原始和增强的数据，作为一个集成分类方法。我们的实验结果表明，所提出的框架优于国家的最先进的年龄估计方法，使用DNA甲基化和基因表达数据。
2021-11-05 cs.AI q-bio.GN
Regulatory DNA sequence Design with Reinforcement Learning
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；Microsoft Research AI4Science（微软研究院AI4Science部门）
本文提出利用强化学习微调预训练自回归模型的生成式方法，通过模拟激活子和抑制子TFBSs变化的生物学先验奖励来设计高适应度顺式调控元件，在酵母启动子和人类增强子设计任务中验证了有效性。
2025-03-11 cs.LG q-bio.GN
motifDiverge: a model for assessing the statistical significance of gene regulatory motif divergence between two DNA sequences
下一代测序技术能够识别许多细胞类型和生物体中的数千个基因调控序列。我们考虑的问题，如果两个这样的序列不同的结合位点图案的数量为一个给定的转录因子（TF）蛋白的测试。结合位点基序通过提供TF与基因组元件结合的机会并由此影响附近基因的表达而赋予调节功能。这些功能DNA的进化变化被假设为是物种内和物种间表型多样性的主要贡献者;但是，尽管TF基序对基因表达很重要，但还没有方法来测试基序的丢失或获得。假设基序计数是二项分布的，并允许在进化相关序列中基序实例之间的依赖性，我们推导出两个核苷酸序列之间基序计数差异的概率质量函数。我们提供了一种方法来从基因组数据中数值估计这种分布，并通过模拟表明我们的估计是准确的。最后，我们介绍了R包{ \tt motifDiverge}，实现我们的方法，并说明其应用程序的基因调控增强子确定的小鼠发育时程实验。虽然这项研究的动机是分析的监管图案，我们的研究结果可以适用于任何问题，涉及两个相关的伯努利试验。
2014-02-01 q-bio.GN
Gene set bagging for estimating replicability of gene set analyses
背景资料：显著性分析在识别和排序基因、转录因子结合位点、DNA甲基化区域和其他与疾病相关的高通量特征方面起着重要作用。我们提出了一种新的方法，称为基因集装袋，使用预定义的基因集来衡量排名过程的稳定性。基因集装袋包括重新采样原始高通量数据，对重新采样的数据进行基因集分析，并确认生物类别复制。这个过程可以被认为是自举基因集分析，并可用于确定哪些是最可重复的基因集。结果：在这里，我们将这种方法应用于两个常见的基因组学应用：基因表达和DNA甲基化。即使使用最先进的统计排序程序，基因集富集分析中的重要类别在经历重新排序时也可能不稳定。结论：我们证明，基因列表不一定是稳定的，因此，额外的步骤，如基因集装袋可以提高基因集分析的生物推断。
2013-01-18 q-bio.GN q-bio.QM stat.ME
Bayesian Genome- and Epigenome-wide Association Studies with Gene Level Dependence
高通量遗传和表观遗传数据经常被筛选与观察到的表型的关联。例如，人们可能希望测试数十万个遗传变异或DNA甲基化位点与疾病状态的关联。这些基因组变量可以自然地根据它们编码的基因以及其他标准进行分组。然而，在这种应用中的标准实践是独立筛选，具有对多重性的普遍校正。我们提出了一种贝叶斯方法，其中一个给定的基因组变量的关联的先验概率取决于它的基因，和基因特异性的概率建模非参数。这种分层模型允许适当的基因和全基因组多重性调整，并可以被纳入到各种贝叶斯关联筛选方法中，计算复杂性的增加可以忽略不计。我们描述了一个应用程序，以筛选低级别胶质瘤和多形性胶质母细胞瘤肿瘤样本之间的DNA甲基化差异的癌症基因组图谱。软件可通过https://github.com/lockEF/BayesianScreening上的BayesianScreening for R软件包获得。
2016-04-29 q-bio.GN stat.AP stat.ME
Central Dogma Transformer: Towards Mechanism-Oriented AI for Cellular Understanding
中心法则变换器通过整合DNA、RNA和蛋白质信息，实现细胞机制的预测与解释。
2026-01-10 cs.LG q-bio.GN
Ctrl-DNA: Controllable Cell-Type-Specific Regulatory DNA Design via Constrained RL
University of Toronto（多伦多大学）；Vector Institute for Artificial Intelligence（人工智能向量研究所）；University Health Network（大学健康网络）；Changping Laboratory（昌平实验室）
本文提出Ctrl-DNA，一种基于约束强化学习的框架，用于设计细胞类型特异性调控DNA序列，在人类启动子和增强子上优于现有方法，实现高适应度和最先进的细胞类型特异性。
2025-05-26 cs.AI cs.LG q-bio.GN
iTARGET: Interpretable Tailored Age Regression for Grouped Epigenetic Traits
本文提出两阶段 iTARGET 算法，先按年龄组聚类甲基化谱，再用 EBM 进行可解释的组特异性年龄回归，在准确性和生物学解释上优于传统表观遗传时钟。
2025-01-04 cs.AI q-bio.GN
i6mA-CNN: a convolution based computational approach towards identification of DNA N6-methyladenine sites in rice genome
United International University（联合国际大学）
DNA腺嘌呤核苷酸的N6甲基化（6 mA）是一种复制后修饰，参与多种生物学功能。用于全基因组6 mA位点检测的实验方法是昂贵且手工劳动密集的过程。自动化和准确的计算方法可以帮助识别长基因组中的6 mA位点，节省大量的时间和金钱。我们的研究开发了一个基于卷积神经网络的工具i6 mA-CNN，能够识别水稻基因组中的6 mA位点。我们的模型在多种类型的特征之间进行协调，例如PseAAC启发的定制特征向量，多个单热表示和二核苷酸理化性质。它实现了0.98的受试者工作特征曲线下面积，使用基准数据集的5倍交叉验证的总体准确度为0.94。最后，我们评估我们的模型上的其他两个植物基因组6 mA位点识别数据集除了水稻。结果表明，我们提出的工具是能够概括其能力的6 mA网站识别植物基因组，无论植物物种。这项研究的网络工具可以在https://cutt.ly/Co6KuWG上找到。补充数据（基准数据集、独立测试数据集、比较目的数据集、训练模型、物理化学性质值、基序发现的注意机制细节）可在https://cutt.ly/PpDdeDH上获得。
2020-08-11 cs.LG q-bio.GN
Embed-Search-Align: DNA Sequence Alignment using Transformer Models
Aarhus University（奥胡斯大学）
针对DNA序列比对需在全基因组定位短读段的问题，提出Embed-Search-Align框架，通过Transformer生成无参考DNA嵌入并结合向量存储搜索，在人类基因组比对中准确率达99%，优于传统方法及6种Transformer基线。
2024-12-05 cs.AI q-bio.GN
Joint analysis of functional genomic data and genome-wide association studies of 18 human traits
基因结构和调控元件的注释可以为全基因组关联研究（GWAS）提供信息。然而，选择相关的注释解释一个给定的性状的关联研究仍然具有挑战性。我们描述了一个统计模型，它使用跨基因组计算的关联统计来识别基因组元件的类别，这些基因组元件对于影响性状的基因座是富集的还是耗尽的。该模型自然包含多种类型的注释。我们将该模型应用于18个人类特征的GWAS，包括红细胞特征、血小板特征、葡萄糖水平、脂质水平、身高、BMI和克罗恩病。对于每一个性状，我们评估了450种不同基因组注释的相关性，包括蛋白质编码基因、增强子和100多种组织和细胞系中的DNase-I超敏位点。我们表明，影响蛋白质序列的表型相关SNP的比例范围从约2%（对于血小板体积）到约20%（对于低密度脂蛋白胆固醇）;与多种性状相关的SNP被抑制的染色质显着耗尽;细胞类型特异性DNase-I超敏位点富含与多种性状相关的SNP（例如，血小板体积中的脾脏）。最后，通过使用功能基因组学的信息重新加权每个GWAS，我们将具有高置信度关联的位点数量增加了约5%。
2014-02-25 q-bio.GN
A computational model for histone mark propagation reproduces the distribution of heterochromatin in different human cell types
染色质是由DNA和相关蛋白质组成的高度紧凑和动态的核结构。核小体是核小体的主要组织单位，由组蛋白八聚体和DNA包裹而成，组蛋白参与真核生物基因的调控，并携带许多可逆的翻译后修饰，控制DNA-蛋白质相互作用和染色质结合蛋白的募集。异染色质是基因组中转录不活跃的部分，它是密集堆积的，并且含有在Lys 9处甲基化的组蛋白H3（H3 K9 me）。H3 K9 me在核小体中沿着染色质中的DNA的传播被H3赖氨酸4（H3 K4 me）的甲基化和几个赖氨酸的乙酰化所拮抗，这与常染色质和活性基因有关。我们发现，相关的组蛋白修饰形式拮抗域上的粗尺度。这些组蛋白标记被认为是在DNA中不同的成核位点内起始的，并且双向传播。我们提出了一个简单的计算机模型，模拟异染色质在人类染色体中的分布。模拟结果与先前报道的两种不同人类细胞系的实验观察结果一致。我们复制了异染色质和常染色质之间不同类型的屏障，为它们的功能提供了一个统一的模型。研究了成核位置分布和传播速率变化的影响。前者主要发生在单个基因或基因组的（去）激活的目的，后者具有控制整个染色体的转录程序的能力。一般来说，基因转录的调控程序是由成核位点沿DNA串的分布控制的。
2013-09-27 q-bio.GN q-bio.MN
The physics of epigenetics
在高等生物中，所有细胞都有相同的基因组，但每个细胞只表达一组有限的特定基因，这些基因定义了细胞类型。在细胞分裂过程中，不仅基因组，而且细胞类型也由子细胞继承。这种有趣的现象是通过各种过程实现的，这些过程被统称为表观遗传学：基因表达模式中稳定的和可遗传的变化。本文综述了表观遗传状态的起始、传播和遗传背后的极其丰富和精致的多尺度物理机制。这些变化不仅包括与DNA和组蛋白的化学修饰（如甲基化和乙酰化）相关的分子特性变化，还包括不太常见的变化，如控制细胞核中基因组三维结构的物理学变化。引人注目的是，为了实现表观遗传状态的稳定性和遗传性，细胞利用了许多不同的物理原理，例如聚合物和共聚物的普遍行为，非平衡动力学系统的一般特征，以及与DNA和组蛋白的化学修饰相关的静电和机械性质。通过将复杂的生物学文献置于这一新的视角下，新出现的图景是，一套有限的一般物理规则在启动、塑造和传播这一关键的"表观遗传景观"方面发挥了关键作用。这种新的视角不仅可以合理化正常的细胞功能，而且还有助于理解病理状态的出现，其中表观遗传景观变得功能失调。
2016-05-09 physics.bio-ph q-bio.GN q-bio.SC
