在單細胞水平預測DNA甲基化的新方法

生物通報道 如今，DNA甲基化的檢測已經達到了單細胞的解析度。不過，目前的方法還不能完整覆蓋CpG，總是留下一些缺口。英國的一個團隊最近開發出一種計算方法，可準確填補這些缺口。這項結果發表在《Genome Biology》雜誌上。

研究人員使用所謂的深度神經網路策略來開發他們的方法，並命名為DeepCpG。他們將這種方法應用在幾種小鼠或人類細胞的單細胞DNA甲基化數據上，證明DeepCpG在預測DNA甲基化上比現有的策略更佳。

這篇文章的通訊作者是歐洲分子生物學實驗室的團隊負責人Oliver Stegle。他在文中寫道：「對於所有的細胞類型，DeepCpG能夠比以往的方法更準確地預測甲基化狀態。這種方法同時也揭示了已知和de novo序列motif，它們與細胞之間的甲基化變化存在關聯。」

DeepCpG將標有序列線索的DNA模塊與雙向門控遞歸網路相結合，此網路追蹤基因組中CpG位點的甲基化是否存在。所得到的的「聯合模塊」將學習DNA-CpG相互作用，以便產生普遍預測DNA甲基化的模型。

研究人員指出，一旦接受了適當的訓練，DeepCpG就能完成各種任務，包括預測粗略測序細胞中的甲基化，以及鑒定細胞中的DNA motif，它們通常與特定的甲基化狀態或細胞之間的甲基化改變相關聯。

之後，研究人員將DeepCpG方法用在18個小鼠胚胎幹細胞的單細胞亞硫酸氫鹽序列數據上。他們發現，無論是在全基因組範圍，還是在不同的基因組背景，這種方法都能夠比其他方法更準確地預測DNA甲基化。

團隊隨後又將DeepCpG用在數十個小鼠或人類細胞上，這些細胞要麼經歷過單細胞亞硫酸氫鹽測序（scBS-seq），要麼經歷過簡化的測序（scRRBS-seq）。他們研究了其甲基化預測的性能，以及將特定的DNA motif與胞嘧啶甲基化特徵相關聯或評估DNA突變的甲基化影響的能力。

「DeepCpG發現的一些motif與參與DNA甲基化調控的已知motif相匹配，」作者在文中寫道。「它可以發現的motif實際上取決於所研究的細胞類型以及驅動甲基化變化的潛在因素。」（生物通 薄荷）

原文檢索

DeepCpG: accurate prediction of single-cell DNA methylation states using deep learning

Genome Biology 2017 18:67