本發(fā)明屬于基因組數(shù)據(jù)挖掘技術(shù)領(lǐng)域，涉及一種基于基因組表觀調(diào)控元件特征的復(fù)雜疾病易感基因的挖掘方法。
背景技術(shù)：
目前，隨著高通量技術(shù)的迅速發(fā)展，生物醫(yī)學(xué)領(lǐng)域積累了海量的人類基因組數(shù)據(jù)。利用這些數(shù)據(jù)，現(xiàn)已發(fā)現(xiàn)了許多疾病易感基因。然而，對(duì)于特定的復(fù)雜疾病，所發(fā)現(xiàn)的疾病易感基因累積起來(lái)解釋的疾病遺傳變異不足15％，這是所有復(fù)雜疾病遺傳學(xué)研究中碰到的一個(gè)共有現(xiàn)象，即“丟失的遺傳力”，這反映出對(duì)現(xiàn)有的海量數(shù)據(jù)資源的利用和挖掘遠(yuǎn)遠(yuǎn)不足。面對(duì)這些數(shù)據(jù)，如何尋找復(fù)雜疾病“丟失的遺傳力”是當(dāng)前亟待解決的難題，需要采用有效方法尋找數(shù)據(jù)中隱藏的大量有價(jià)值的遺傳信息，預(yù)測(cè)疾病易感基因，從而用于疾病的診斷治療。深入挖掘復(fù)雜疾病易感基因成為疾病研究中的一項(xiàng)重要挑戰(zhàn)，其結(jié)果對(duì)于揭示疾病發(fā)病機(jī)理和生物學(xué)基礎(chǔ)、設(shè)計(jì)藥物靶點(diǎn)、以及疾病的臨床早期篩查和個(gè)體化防治，都將產(chǎn)生十分重要的理論和現(xiàn)實(shí)意義。
已有的復(fù)雜疾病易感基因預(yù)測(cè)的方法多種多樣，大多是基于基因自身的預(yù)測(cè)。根據(jù)DNA序列的信息，結(jié)合功能、所在通路、生物分子網(wǎng)絡(luò)等信息進(jìn)行預(yù)測(cè)。然而，復(fù)雜疾病是由多個(gè)遺傳因素和環(huán)境因素共同交互作用而發(fā)生發(fā)展的，僅考慮DNA序列信息，難以真實(shí)反映出復(fù)雜疾病的狀態(tài)，表觀遺傳學(xué)效應(yīng)不容忽視。
基因組包括兩類遺傳信息：即DNA序列遺傳信息和表觀遺傳學(xué)信息。表觀遺傳效應(yīng)不依賴基因序列的改變，人體及細(xì)胞功能的維持是這兩種信息相互作用、保持平衡的結(jié)果。目前，表觀遺傳學(xué)的研究成果已經(jīng)應(yīng)用于一些疾病的研究和治療中。因此，在進(jìn)行疾病易感基因預(yù)測(cè)時(shí)，非常有必要納入表觀遺傳學(xué)的信息，將會(huì)為疾病研究帶來(lái)新的契機(jī)。
技術(shù)實(shí)現(xiàn)要素：
本發(fā)明解決的問(wèn)題在于提供一種基于基因組表觀調(diào)控元件特征的復(fù)雜疾病易感基因的挖掘方法，將表觀遺傳學(xué)信息和基因組DNA序列信息有機(jī)結(jié)合，通過(guò)提取表觀調(diào)控元件特征，從全局上預(yù)測(cè)疾病特征性易感基因。
本發(fā)明是通過(guò)以下技術(shù)方案來(lái)實(shí)現(xiàn)：
一種基于基因組表觀調(diào)控元件特征的復(fù)雜疾病易感基因的挖掘方法，包括以下操作：
S1：收集待分析病癥的已知易感基因，以及已知易感基因的所有表觀調(diào)控元件信息；利用表觀調(diào)控元件信息，根據(jù)基因組的物理位置對(duì)所有已知易感基因的啟動(dòng)子區(qū)域進(jìn)行注釋，若啟動(dòng)子區(qū)域與某個(gè)調(diào)控元件識(shí)別的物理位置有重疊，則認(rèn)為該啟動(dòng)子區(qū)域被注釋到；
S2：以已知易感基因啟動(dòng)子注釋集合作為目標(biāo)集合，以全基因組所有基因啟動(dòng)子注釋集合作為參考集合，采用富集分析的方法比對(duì)目標(biāo)集合與參考集合，找出已知易感基因中顯著富集的調(diào)控元件，進(jìn)行已知易感基因表觀調(diào)控元件的特征提??；
S3：根據(jù)提取出的表觀調(diào)控元件特征進(jìn)行反向預(yù)測(cè)，對(duì)所有已知易感基因重新進(jìn)行打分，得到最終的判決結(jié)果，篩選排名靠前的已知易感基因作為優(yōu)先關(guān)注的潛在易感基因。
所述步驟S1具體包括以下操作：
S11：利用公共數(shù)據(jù)庫(kù)GWAS catalog和PubMed相關(guān)文獻(xiàn)收集某一疾病的已知易感基因；
S12：從UCSC數(shù)據(jù)庫(kù)獲取基因組所有表觀調(diào)控元件信息，包括轉(zhuǎn)錄因子結(jié)合位點(diǎn)、組蛋白修飾位點(diǎn)和染色質(zhì)分割狀態(tài)；每種調(diào)控元件存儲(chǔ)為一個(gè)文本文件；
S13：利用獲取的表觀調(diào)控元件信息，根據(jù)基因組的物理位置對(duì)所有已知的疾病易感基因的啟動(dòng)子區(qū)域進(jìn)行注釋，啟動(dòng)子區(qū)域如和某個(gè)調(diào)控元件的物理位置有重疊，則認(rèn)為被注釋到。
所述步驟S2具體包括以下操作：
S21：針對(duì)S1注釋后的結(jié)果，采用富集分析的方法，比對(duì)目標(biāo)集合與參考集合，找出顯著富集的調(diào)控元件，提取其特征；
在注釋完成后，跟疾病相關(guān)基因的注釋情況進(jìn)行比對(duì)，采用Fisher精確檢驗(yàn)法，確定調(diào)控元件的顯著富集；
針對(duì)某個(gè)元件，n次采樣的注釋數(shù)據(jù)分布下：
然后計(jì)算P值：
S22：將獲得的P值進(jìn)行十進(jìn)制對(duì)數(shù)變換。
為反映出全基因組的注釋分布狀況，還進(jìn)行N次抽樣，并計(jì)算所有抽樣的加和均值來(lái)代表全基因組的啟動(dòng)子的注釋狀況。
對(duì)于疾病基因集合中比例顯著升高的調(diào)控元件，轉(zhuǎn)換后P值為：Transformed P＝-log10(P)；
疾病基因集合中比例顯著降低的調(diào)控元件，轉(zhuǎn)換后P值為：Transformed P＝log10(P)。
所述步驟S3具體操作包括：
S31：分析所有基因的轉(zhuǎn)換后P值；
S32：對(duì)所有基因進(jìn)行反向預(yù)測(cè)評(píng)分：假設(shè)富集分析得到了n個(gè)顯著富集的功能元件，第i個(gè)元件的轉(zhuǎn)換后P值記為tPi，某個(gè)基因注釋到這些元件的次數(shù)為Si，則該基因的反向分析評(píng)分為：
S33：根據(jù)反向預(yù)測(cè)評(píng)分對(duì)所有基因進(jìn)行排序，數(shù)值S越大，排序越高，其作為疾病易感基因的可能性就越高，將排序靠前的基因作為此疾病潛在的易感基因。
與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益的技術(shù)效果：
本發(fā)明的目的在于提供一種基于基因組表觀調(diào)控元件特征的復(fù)雜疾病易感基因的挖掘方法，將表觀遺傳學(xué)信息和基因組DNA序列信息有機(jī)結(jié)合，通過(guò)提取表觀調(diào)控元件特征，從全局上預(yù)測(cè)疾病特征性易感基因，可顯著提供發(fā)現(xiàn)新易感基因的功效，為后續(xù)針對(duì)關(guān)鍵調(diào)控元件設(shè)計(jì)藥物靶點(diǎn)奠定了重要基礎(chǔ)。
本發(fā)明提出的一種基于基因組表觀調(diào)控元件特征的復(fù)雜疾病易感基因的挖掘方法，同時(shí)結(jié)合了DNA序列信息和表觀遺傳學(xué)信息，通過(guò)尋找疾病易感基因的表觀調(diào)控元件規(guī)律進(jìn)行新易感基因的預(yù)測(cè)，可顯著提高發(fā)現(xiàn)新易感基因的統(tǒng)計(jì)功效。通過(guò)對(duì)潛在基因進(jìn)行綜合排序，得到全局最優(yōu)決策結(jié)果，為疾病易感基因的篩選提供最佳結(jié)果。預(yù)測(cè)出的遺傳標(biāo)記富含生物學(xué)功能，為進(jìn)一步的生物學(xué)功能評(píng)價(jià)和藥物靶向開發(fā)奠定了重要基礎(chǔ)。
附圖說(shuō)明
圖1為本發(fā)明的方法流程示意圖。
具體實(shí)施方式
下面結(jié)合具體的實(shí)施例對(duì)本發(fā)明做進(jìn)一步的詳細(xì)說(shuō)明，所述是對(duì)本發(fā)明的解釋而不是限定。
參見圖1，一種基于基因組表觀調(diào)控元件特征的復(fù)雜疾病易感基因的挖掘方法，包括以下步驟：
S1：收集待分析病癥的已知易感基因，以及已知易感基因的所有表觀調(diào)控元件信息；利用表觀調(diào)控元件信息，根據(jù)基因組的物理位置對(duì)所有已知易感基因的啟動(dòng)子區(qū)域進(jìn)行注釋，若啟動(dòng)子區(qū)域與某個(gè)調(diào)控元件識(shí)別的物理位置有重疊，則認(rèn)為該啟動(dòng)子區(qū)域被注釋到；
S2：以已知易感基因啟動(dòng)子注釋集合作為目標(biāo)集合，以全基因組所有基因啟動(dòng)子注釋集合作為參考集合，采用富集分析的方法比對(duì)目標(biāo)集合與參考集合，找出已知易感基因中顯著富集的調(diào)控元件，進(jìn)行已知易感基因表觀調(diào)控元件的特征提??；
S3：根據(jù)提取出的表觀調(diào)控元件特征進(jìn)行反向預(yù)測(cè)，對(duì)所有已知易感基因重新進(jìn)行打分，得到最終的判決結(jié)果，篩選排名靠前的已知易感基因作為優(yōu)先關(guān)注的潛在易感基因。
所述步驟S1具體包括：
S11：利用公共數(shù)據(jù)庫(kù)GWAS catalog和PubMed相關(guān)文獻(xiàn)收集某一疾病的已知易感基因；
S12：從UCSC數(shù)據(jù)庫(kù)獲取基因組所有表觀調(diào)控元件信息，包括轉(zhuǎn)錄因子結(jié)合位點(diǎn)、組蛋白修飾位點(diǎn)和染色質(zhì)分割狀態(tài)；每種調(diào)控元件存儲(chǔ)為一個(gè)文本文件；
S13：利用獲取的表觀調(diào)控元件信息，根據(jù)基因組的物理位置對(duì)所有已知的疾病易感基因的啟動(dòng)子區(qū)域進(jìn)行注釋。對(duì)應(yīng)原則是啟動(dòng)子區(qū)域如何和某個(gè)調(diào)控元件的物理位置有重疊，則認(rèn)為被注釋到。
所述步驟S2具體包括：
S21：針對(duì)上述注釋后的結(jié)果，采用富集分析的方法，比對(duì)所研究的目標(biāo)集合(已知易感基因啟動(dòng)子注釋集合)與參考集合(全基因組所有基因啟動(dòng)子注釋集合)，找出顯著富集的調(diào)控元件，提取其特征。為了更好地反映出全基因組的分布狀況，進(jìn)行了1000次抽樣，并計(jì)算這1000次抽樣的加和均值來(lái)代表全基因組的啟動(dòng)子的注釋狀況。在注釋完成后，跟疾病相關(guān)基因的注釋情況進(jìn)行比對(duì)，采用Fisher精確檢驗(yàn)法，確定調(diào)控元件的顯著富集。針對(duì)某一個(gè)元件，數(shù)據(jù)分布如表1所示：
表1富集分析所用數(shù)據(jù)分布狀況
P值計(jì)算公式：
S22：為了便于可視化和比較，將獲得的P值進(jìn)行十進(jìn)制對(duì)數(shù)變換。對(duì)于疾病基因集合中比例顯著升高的調(diào)控元件，轉(zhuǎn)換后P值(Transformed P)為：Transformed P＝-log10(P)；
比例顯著降低的調(diào)控元件，轉(zhuǎn)換后P值為：Transformed P＝log10(P)。
所述步驟S3具體包括：
S31：分析所有基因的轉(zhuǎn)換后P值；
S32：對(duì)所有基因進(jìn)行反向預(yù)測(cè)評(píng)分：假設(shè)富集分析得到了n個(gè)顯著富集的功能元件，第i個(gè)元件的轉(zhuǎn)換后P值記為tPi，某個(gè)基因注釋到這些元件的次數(shù)為Si，則該基因的反向分析評(píng)分為：
S33：根據(jù)反向預(yù)測(cè)評(píng)分對(duì)所有基因進(jìn)行排序，數(shù)值S越大，排序越高，其作為疾病易感基因的可能性就越高，將排序前十位的基因作為此疾病潛在的易感基因。
本發(fā)明所述基于表觀調(diào)控元件特征預(yù)測(cè)復(fù)雜疾病易感基因的方法，適用于任何一種復(fù)雜疾病，例如各種癌癥、內(nèi)分泌疾病、心血管疾病、免疫類疾病等。
作為本發(fā)明實(shí)施方式之一，本發(fā)明所述方法驟S33中的疾病易感基因的判定，包括但不限于排序的前十位基因。本領(lǐng)域技術(shù)人員也可以根據(jù)實(shí)驗(yàn)情況自行選擇排序靠前的基因作為易感基因。
下面以復(fù)雜疾病骨質(zhì)疏松癥為例，利用本發(fā)明的方法，進(jìn)行骨質(zhì)疏松癥易感基因的預(yù)測(cè)，以下進(jìn)行詳細(xì)說(shuō)明。
如圖1所示，本發(fā)明提供一種基于表觀調(diào)控元件特征預(yù)測(cè)復(fù)雜疾病易感基因的方法，包括以下步驟S1-S3。
S1：收集已知的骨質(zhì)疏松癥易感基因，并進(jìn)行表觀調(diào)控元件的注釋。
具體包括：從公共數(shù)據(jù)庫(kù)GWAS catalog收集骨質(zhì)疏松癥已知的易感基因，共259個(gè)，作為基因集。從UCSC數(shù)據(jù)庫(kù)獲取基因組所有表觀調(diào)控元件信息，包括161種轉(zhuǎn)錄因子結(jié)合位點(diǎn)，273種組蛋白修飾位點(diǎn)和135種染色質(zhì)分割狀態(tài)。利用這些表觀調(diào)控元件信息對(duì)所有基因的啟動(dòng)子區(qū)域進(jìn)行注釋。
S2：進(jìn)行骨質(zhì)疏松癥易感基因表觀調(diào)控元件的特征提取。
具體包括：利用富集分析，比對(duì)已知骨質(zhì)疏松易感基因集合的注釋與全基因組所有基因啟動(dòng)子的注釋，發(fā)現(xiàn)一共有52種表觀調(diào)控元件顯著富集在已知的骨質(zhì)疏松易感基因集合中。對(duì)比隨機(jī)抽取的基因集合，具有明顯的調(diào)控特征。
S3：根據(jù)表觀調(diào)控元件特征進(jìn)行基因反向預(yù)測(cè)。
具體包括：根據(jù)富集分析的結(jié)果，對(duì)所有基因進(jìn)行綜合評(píng)分。依據(jù)分值大小對(duì)所有基因進(jìn)行由高到低的排序。
實(shí)驗(yàn)結(jié)果：基因評(píng)分的分值越高，認(rèn)為其作為骨質(zhì)疏松易感基因的可能性越大。以基因評(píng)分為權(quán)重進(jìn)行通路分析，發(fā)現(xiàn)基因顯著富集在Wnt signaling,calcium signaling,Hedgehog signaling,MAPK signaling,和TGF-βsignaling等通路中，這些通路都是公認(rèn)的骨質(zhì)疏松癥相關(guān)通路，這說(shuō)明基于表觀調(diào)控元件特征預(yù)測(cè)骨質(zhì)疏松易感基因的方法是可行的。
按照打分排名最靠前的20個(gè)基因如下所示：
以上給出的實(shí)施例是實(shí)現(xiàn)本發(fā)明較優(yōu)的例子，本發(fā)明不限于上述實(shí)施例。本領(lǐng)域的技術(shù)人員根據(jù)本發(fā)明技術(shù)方案的技術(shù)特征所做出的任何非本質(zhì)的添加、替換，均屬于本發(fā)明的保護(hù)范圍。