利用滑动窗口和 KNN 算法识别差异甲基化区域.pdfVIP

第 3 6 卷第 4 期 杭州电子科技大学学报(自然科学版) Vo 3 6 No 4 0 1 6 年 7 月 Jou na o angzhou D anz Un ve s y(Na u a Sc ences) Ju 0 1 6 DO :10 1 3 9 5 4/ cnk hdu 0 1 6 04 008 利用滑动窗口和 KNN 算法识别差异甲基化区域 李华兵,杨 昆 (杭州电子科技大学计算学院,浙江 杭州 3 00 8) 收稿日期:20 5- -20 基金项目:国家自然科学基金资助项目 作者简介:李华兵(99 )男,安徽芜湖人,硕士研究生,数据挖掘.通信作者:杨昆副教授,E-ma :yangkun@. 摘要:针对现有差异甲基化区域 DMRs 识别方法中过度删除显著性弱的甲基化位点、DMRs 长度 受限以及不能直接处理多类的问题,提出了一种利用滑动窗口和 KNN 算法识别不同类别间 DMRs 的算法.算法先通过滑动窗口结合 KNN 分类器筛选候选区域,再根据误差率合并候选区域 得到 DMRs.真实数据上的实验表明,算法的分类性能、聚类指数明显优于对照算法,扩展了对照 的 Ong 算法识别的 DMRs 长度,并能发现 Ong 算法未发现的 DMRs. 关键词:差异甲基化区域;滑动窗口;KNN 分类器;多类问题;聚类指数 中图分类号:TP39 .4 文献标识码:A 文章编号:00 -9 46(20 6)04-003 5-05 0 引 言 DNA甲基化是指在 DNA 甲基转移酶(DNA methyltransferase,DNMTS)作用下,将甲基添加到碱基 上,是一种重要的表观遗传修饰[ .不同条件下的生物学样本之间存在差异甲基化区域(Differentially methylated regions,DMRs),可能参与到基因表达的调控,进而影响基因功能.相关研究表明,相对于单个位 点独立的识别方法,针对整个区域的识别方法更有生物学上的价值.DMRs 识别与通常意义上的特征选择 有显著区别:通常的特征选择往往假定特征间无关联性,然而 DMRs 是基因组上有位置关联的一个区域, 而且长的 DMRs 更有生物价值.识别 DMRs 是当前研究领域中重要且新颖的研究问题,有别于通常的特征 选择问题.目前,已有多个识别 DMRs 方法的提出,主要分 3 类:一类是通过分析计算一个区域中每个位点 的差异来确定一个 DMR,如 bump hunting算法[2 和 Slieker算法[3 ,这类算法缺点是过度删除了一些显著 性弱的单个位点;第二类算法是通过相邻位点间的相关性,先聚类甲基化位点,然后估计每组聚类间差异 性,如 Ong算法[4 ,这类算法的不足之处是在识别 DMRs 之前区域长度受限;第三类算法是一种利用判别 分析的 DDA算法[5 ,这类算法针对两个类别的问题,不能直接应用于多类别问题.针对上述存在的问题, 本文提出了一种利用滑动窗口和 K 近邻(k Nearest Neighbor,KNN)分类器的 DMRs 识别算法(Slide Windows KNN Algorithm,SWKA),并通过实验分析对比了算法的有效性和准确度. 1 问题的描述和 SWKA 算法 1.1 问题的描述 令 p 个位点n 个样本的 DNA甲基化数据看作一个矩阵M=(x ij )n×p ,其中 p 个位点看作p 个特征, 代表 p 个维度,每个行向量 t i =(x i ,x i2 ,…,x ip )可看作为模式识别中的一个模式(pattern),其中 x ij 是 芯片测出的样本 t i 位点j 的甲基化水平值.不同类别样本中其 DNA上存在甲基化程度明显差异的 CpG 位点,具有位置关联的差异甲基化位点构成 DMRs.给定多个类别的 DNA甲基化数据,识别基因组上连 续的 DMRs 是本文的研究问题,本文主要针对 Infinium 450 K 甲基化数据开展工作. 1.2 SWKA 算法 SWKA算法是利用滑动窗口结合KNN分类器识别DMRs算法.算法详细流程如图 1所示,首先划分各 个染色体,探针不均匀的分布在染色体上,如图 1(a)所示,其中圆圈表示位点,并设定窗口滑动步长k;利用 滑窗方式将所要分析片段划分为位置关联的小片段(种子),如图 1(b),其中实心和空心圆圈分别表示甲基 化位点和非甲基化位点;再利用 KNN分类器估计每个种子对样本的分类能力,选取分类误差率小于误差 率阈值的种子为DMRs种子,如图 1(c);在满足合并后分类误差率小于合并前的原则下,将有重叠的DMRs 种子合并,得到候选DMRs,如图 1(d);在相邻候选DMRs间距离小于一定长度和合并后的分类效果优于合 并前的条件下对 2个相邻候选 DMRs进