亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于染色質(zhì)免疫共沉淀的高通量測序數(shù)據(jù)集的順式調(diào)控模體發(fā)現(xiàn)算法

        2018-08-28 08:53:08馮艷霞張志紅張少強(qiáng)
        計算機(jī)應(yīng)用 2018年6期
        關(guān)鍵詞:模體堿基賦權(quán)

        馮艷霞,張志紅,張少強(qiáng)

        (天津師范大學(xué)計算機(jī)與信息工程學(xué)院,天津300387)

        (*通信作者電子郵箱zhangshaoqiang@tjnu.edu.cn)

        0 引言

        基于新一代基因測序的高通量技術(shù),特別是染色質(zhì)免疫共沉淀的高通量測序(ChromatinImmunoprecipitation Sequencing,ChIP-Seq)技術(shù)[1],在全基因組范圍內(nèi)的使用,很大程度上改變了生物學(xué)家定位大規(guī)模真核基因組順式調(diào)控元件和模體的方式[2]。順式調(diào)控模體是同一轉(zhuǎn)錄因子結(jié)合位點的序列集合。模體發(fā)現(xiàn)問題一直是生物信息學(xué)比較重要的研究課題之一。模體所蘊(yùn)含的遺傳信號,對于在全基因組范圍內(nèi)研究基因的轉(zhuǎn)錄與調(diào)控機(jī)制具有重大意義。在ChIP-Seq技術(shù)之前的模體發(fā)現(xiàn),主要是通過比較同源基因或共調(diào)控基因非編碼區(qū)域的保守性來預(yù)測調(diào)控元件模體,其主要方法包括:通過多序列比對尋找保守序列片段;通過位置賦權(quán)矩陣更新來遍歷調(diào)控元件;運(yùn)用統(tǒng)計取樣的估計方法等。這些方法均取得了較好的預(yù)測結(jié)果,并應(yīng)運(yùn)而生了大量模體發(fā)現(xiàn)算法和工具,例如多重期望最大模體提取(Multiple Expectation maximization for Motif Elicitation,MEME)算法[3]、MotifSampler算法[4]、Weeder算法[5]等,為生物學(xué)家對真核生物全基因組[6]的解讀和研究提供了有利保障,推動著生物信息學(xué)的蓬勃發(fā)展。模體發(fā)現(xiàn)算法的工作流程如圖1所示。

        由于ChIP-Seq單次實驗產(chǎn)生了海量的堿基讀序(reads),通過序列比對拼接及結(jié)合峰預(yù)測[7]后仍有成千上萬條序列,這比傳統(tǒng)的同源基因或共調(diào)控基因序列規(guī)模大很多。為了處理如此大規(guī)模的數(shù)據(jù),近來的算法主要采用“有區(qū)別的”(discriminative)模型[8]策略,主要包括:一是選擇數(shù)據(jù)集的子集作為實驗的輸入;二是在消耗較大數(shù)據(jù)存儲空間的情況下,運(yùn)用新型數(shù)據(jù)結(jié)構(gòu)來節(jié)省運(yùn)行時間;三是將實驗數(shù)據(jù)集分割成兩個不等的部分,即實驗組和對照組,僅將實驗組作為模體發(fā)現(xiàn)算法的核心運(yùn)行數(shù)據(jù),然后根據(jù)實驗組發(fā)現(xiàn)的模體,與對照組進(jìn)行比對。上述第一種方法數(shù)據(jù)損失較多,要預(yù)測的結(jié)合位點模體信息在子集中可能不保守,從而大大影響算法準(zhǔn)確性,例如獨(dú)立成分分析(Independent Component Analysis,ICA)和套層抽樣相結(jié)合的的模體發(fā)現(xiàn)算法——NestedMICA(Nested saMpling and ICA)[9];第二種方法的主要問題是隨著數(shù)據(jù)規(guī)模增加,會成倍增加內(nèi)存需求和時間復(fù)雜性,從而降低了算法運(yùn)行速度,例如有區(qū)別的正則表達(dá)式模體提取(Discriminative Regular Expression Motif Elicitation,DREME)算法[10];相比較而言,第三種方法更注重序列數(shù)據(jù)集的分隔方法,但不恰當(dāng)?shù)臄?shù)據(jù)分隔可能導(dǎo)致錯誤的結(jié)果,例如Amadeus[11]、Trawler[12]。特別是,隨著 ChIP-Seq 數(shù)據(jù)的海量增長,其噪聲也越來越多,從而導(dǎo)致預(yù)測結(jié)果具有較高的錯誤發(fā)生率(False Discovery Rate,F(xiàn)DR)。此外,模體發(fā)現(xiàn)算法在追求時間與空間的高效外,還應(yīng)準(zhǔn)確識別出模體的真實長度。

        為了解決上述問題,本文設(shè)計了一個基于ChIP-Seq數(shù)據(jù)集的順式調(diào)控模體發(fā)現(xiàn)算法——FisherNet,該算法既能提高模體預(yù)測的準(zhǔn)確率,又能提高算法運(yùn)行速度。

        圖1 模體發(fā)現(xiàn)流程Fig.1 Flow chart of motif finding

        1 數(shù)據(jù)來源與預(yù)處理

        為了檢驗算法的優(yōu)越性,F(xiàn)isherNet算法使用與DREME[10]算法相同的數(shù)據(jù)集,包括13個小鼠胚胎干細(xì)胞(Mouse Embryonic Stem Cell,mESC)ChIP-Seq 數(shù)據(jù)集[13]、3 個小鼠紅細(xì)胞數(shù)據(jù)集和1個人類淋巴母細(xì)胞系數(shù)據(jù)集。mESC數(shù)據(jù)集為12個轉(zhuǎn)錄因子,它是維持多能性和CTCF的關(guān)鍵。小鼠紅細(xì)胞的數(shù)據(jù)集為 Gata1[14]、Klf1[15]和 Tal1,是紅細(xì)胞生成的關(guān)鍵調(diào)節(jié)者。人體淋巴細(xì)胞數(shù)據(jù)集是維生素D受體包括在使用骨化三醇的刺激前和之后的ChIP-Seq數(shù)據(jù)。另外,基于人的 ENCODE(Encyclopedia of DNA Elements)[16]數(shù)據(jù)庫的ChIP-Seq數(shù)據(jù)集規(guī)模超大,本文選取其中的10個有已知模體的轉(zhuǎn)錄因子(ATF1、ATF3、CTCF、E2F4、EBF1、ECF1、POL2、ZNF274、USF2、YY1)數(shù)據(jù)集進(jìn)行比較。這些數(shù)據(jù)集源文件格式為FASTQ格式。

        2 算法的主要步驟

        本文算法的流程如圖2所示。

        2.1 生成背景數(shù)據(jù)集

        FisherNet算法采用了三階馬爾可夫鏈[17]生成背景數(shù)據(jù),即遍歷實驗組ChIP-Seq數(shù)據(jù)集統(tǒng)計每三個堿基短序列(共43=64種)后出現(xiàn)各個堿基的頻率得到概率轉(zhuǎn)移矩陣。然后用該轉(zhuǎn)移矩陣生成與實驗組數(shù)據(jù)中序列長度和數(shù)目相同的背景序列數(shù)據(jù)集。

        2.2 遍歷短序生成哈希表

        為了統(tǒng)計每個長度為k的短序(k-mer)[18]在各個序列是否存在,F(xiàn)isherNet分別遍歷實驗數(shù)據(jù)集和背景數(shù)據(jù)集中的每條序列并用兩個哈希表分別存儲所有的k-mer信息。哈希表的鍵為k-mer,鍵值為該k-mer所在序列編號集合。因為真核生物的結(jié)合位點長度主要介于4~8個堿基長。FisherNet算法默認(rèn)k從4到8個堿基為窗口長度分別進(jìn)行遍歷。在遍歷過程中,同時考慮k-mer在序列的互補(bǔ)鏈?zhǔn)欠翊嬖?,若存在,則將該序列的編號也放到該k-mer鍵值對應(yīng)的集合中。遍歷過程如圖3所示。

        圖2 本文算法流程Fig.2 Flow chart of proposed algorithm

        2.3 根據(jù)費(fèi)舍爾精確檢驗計算P值

        FisherNet算法采用費(fèi)舍爾精確檢驗分析每個k-mer的富集情況[19]。對于每個k-mer,通過哈希表查詢記錄下它在實驗數(shù)據(jù)集和背景數(shù)據(jù)集中出現(xiàn)的序列條數(shù)。如表1所示,a代表某k-mer在實驗組數(shù)據(jù)集中出現(xiàn)過的序列數(shù),b代表該短序在背景數(shù)據(jù)集中出現(xiàn)過的序列數(shù),相對地,c和d分別代表該短序在兩組實驗數(shù)據(jù)集中未出現(xiàn)的序列數(shù)。

        根據(jù)表1通過超幾何分布公式計算P值[20]為:

        若P值大于意義臨界值0.05(假設(shè)檢驗常規(guī)設(shè)P值的閾值為0.05,在算法中該閾值作為輸入?yún)?shù)可由使用者自主調(diào)整),說明該條DNA短序列存在基因信息與背景差異較小,則對其不再考慮。上述計算P值的式(1),對于小規(guī)模數(shù)據(jù)集效果良好,對于大型ChIP-Seq數(shù)據(jù)集,則階乘n!會是超大的數(shù),甚至超出計算機(jī)整數(shù)計數(shù)范圍。對此,F(xiàn)isherNet引入了斯特林(Stirling)公式,對組合數(shù)的計算先取其對數(shù)ln,再取指數(shù)。斯特林如式(2)所示,與ln C推導(dǎo)如式(3)、(4)所示:

        則P值公式就等價于:

        對式(1)兩邊取對數(shù)得:

        對于每個k-mer,用式(6)計算其P值,若P值小于0.05,以此k-mer為鍵,其P值為鍵值保存到一個新的哈希表。通過比較各k-mer的鍵值,對k-mer進(jìn)行排序得到候選k-mer集合。

        表1 k-mer(模體)序列在實驗組和背景組的數(shù)據(jù)統(tǒng)計Tab.1 Statistics of k-mer(motif)sequence in experimental group and background group

        2.4 構(gòu)建初始模體

        在候選k-mer集合中選取P值最小的k-mer作為種子,依次向下遍歷與種子長度相同且只有一個位置不同的k-mer,將其合并形成初始模體。每合并一個k-mer就要通過計算出現(xiàn)模體和未出現(xiàn)模體的序列數(shù)來更新費(fèi)舍爾精確檢驗表并計算合并后模體的P值,若P值 >0.05,則停止k-mer合并。統(tǒng)計初始序列上各堿基的出現(xiàn)頻率得到位置頻率矩陣P=(P(b,i))4×k[21],其中 P(b,i)表示堿基 b 在位置 i出現(xiàn)的頻率;然后再根據(jù)式(7)計算出對應(yīng)的位置賦權(quán)矩陣W =(W(b,i))4×k[22],其中:P(b)是堿基 b 在實驗數(shù)據(jù)集上出現(xiàn)的頻率(為了能夠計算對數(shù)值,當(dāng)P(b,i)=0,令P(b,i)=10-5)。構(gòu)建初始模體的流程如圖4中第① ~③步所示。

        2.5 生成最終模體

        用上述生成的位置賦權(quán)矩陣掃描候選k-mer集合中的每一個相同長度的k-mer={b1,b2,…,bk},為了衡量一個k-mer是否屬于模體,本文用式(8)(公式中的Smax、Smin分別為位置賦權(quán)矩陣中每列元素的最大值的和與最小值的和)計算k-mer的相對分?jǐn)?shù)值R并只保留R≥0.80(根據(jù)已知模體統(tǒng)計有80% 的位置具有保守性)的k-mer,以此生成最終模體。如圖4中第④到⑤步所示。

        3 實驗與結(jié)果分析

        FisherNet算法運(yùn)用mESC的ChIP-Seq數(shù)據(jù)集和一個意義臨界值對結(jié)果進(jìn)行具體分析。如表2為FisherNet算法預(yù)測出的模體發(fā)現(xiàn)情況。將算法發(fā)現(xiàn)的模體序列與Tomtom數(shù)據(jù)庫[23]中的真實模體進(jìn)行比較,針對Tomtom標(biāo)準(zhǔn)數(shù)據(jù)庫中已有的13個重要模體,F(xiàn)isherNet算法發(fā)現(xiàn)了其中的10個。

        此外,針對mESC ChIP-Seq數(shù)據(jù)集,本文分別運(yùn)行了其他六種被廣泛應(yīng)用且能發(fā)現(xiàn)輔調(diào)控因子模體的模體發(fā)現(xiàn)算法,即 MEME[3]、Weeder[5]、NestedMICA[9]、DREME[10]、Amadeus[11]、Trawler[12],并將這些算法的預(yù)測結(jié)果與 FisherNet順式調(diào)控模體算法相比較,統(tǒng)計結(jié)果如表3所示。其中:N為各算法發(fā)現(xiàn)的模體總數(shù);S為與Tomtom標(biāo)準(zhǔn)數(shù)據(jù)庫中相匹配的模體數(shù);C為算法發(fā)現(xiàn)的輔調(diào)控因子模體數(shù)。在發(fā)現(xiàn)轉(zhuǎn)錄因子模體上FisherNet與 DREME、Weeder、NestedMICA 和 MEME 均達(dá)到最高,但在發(fā)現(xiàn)輔調(diào)控因子模體上FisherNet算法要優(yōu)于其他算法。這說明該算法在保證發(fā)現(xiàn)模體的精確度的同時,能發(fā)現(xiàn)更多的輔調(diào)控因子模體,F(xiàn)isherNet總體能夠達(dá)到80%(即(6.1+10)/20)的精確度。表3最后一列為各算法對13個mESC數(shù)據(jù)集的平均運(yùn)行時間,可以看出,F(xiàn)isherNet是所有比對算法中平均運(yùn)行時間最短的,而NestedMICA和Weeder是運(yùn)行時間最長的兩個算法。

        表2 小鼠的ES細(xì)胞ChIP-Seq數(shù)據(jù)集發(fā)現(xiàn)的模體Tab.2 Found motif in mouse ES cells ChIP-Seq dataset

        表3 不同模體發(fā)現(xiàn)算法結(jié)果統(tǒng)計Tab.3 Results statistics of different motif finding algorithms

        由于DREME是MEME開發(fā)者設(shè)計的改進(jìn)算法,為了進(jìn)一步檢驗除了MEME、Weeder和NestedMICA之外的四種算法的效率,分別取序列規(guī)模為1兆、2兆、3兆和4兆堿基對的數(shù)據(jù)集進(jìn)行運(yùn)算,圖5為四種算法的運(yùn)行時間評估折線圖。由圖5可以看出,與其他算法相比,隨著數(shù)據(jù)集序列堿基規(guī)模的增加,F(xiàn)isherNet算法運(yùn)行時間最短且增加幅度不大,充分說明了該算法在運(yùn)行效率上的優(yōu)越性。將上述算法應(yīng)用到選取的ENCODE[16]數(shù)據(jù)集中,發(fā)現(xiàn)每一個真實模體均存在于FisherNet算法輸出的前10個模體中,而其余算法的前10個模體中含有真實模體的準(zhǔn)確度均小于80%。

        圖5 不同算法運(yùn)行時間比較Fig.5 Running time comparison of different motif finding algorithms

        4 結(jié)語

        本文基于ChIP-Seq數(shù)據(jù)的模體發(fā)現(xiàn),以ChIP-Seq結(jié)合峰數(shù)據(jù)集為算法輸入數(shù)據(jù),提出一個全新的順式調(diào)控模體發(fā)現(xiàn)算法(本文的FisherNet由 Perl語言編寫,代碼下載地址為http://www.escience.cn/people/sqzhang/program.html.)。該算法運(yùn)用費(fèi)舍爾假設(shè)檢驗來尋找區(qū)分度高的k-mer并通過位置賦權(quán)矩陣進(jìn)行優(yōu)化篩選。與其他多種模體發(fā)現(xiàn)算法進(jìn)行比較,驗證了該算法大大提高了模體發(fā)現(xiàn)的數(shù)目和準(zhǔn)確度,成功預(yù)測到許多核心模體及輔調(diào)控因子模體。該算法目前只對幾種代表性的ChIP-Seq數(shù)據(jù)進(jìn)行了驗證,對其他物種的數(shù)據(jù)是否具有魯棒性有待進(jìn)一步驗證。

        猜你喜歡
        模體堿基賦權(quán)
        論鄉(xiāng)村治理的有效賦權(quán)——以A縣扶貧項目為例
        中國西部(2022年2期)2022-05-23 13:28:20
        基于Matrix Profile的時間序列變長模體挖掘
        企業(yè)數(shù)據(jù)賦權(quán)保護(hù)的反思與求解
        應(yīng)用思維進(jìn)階構(gòu)建模型 例談培養(yǎng)學(xué)生創(chuàng)造性思維
        中國科學(xué)家創(chuàng)建出新型糖基化酶堿基編輯器
        試論新媒體賦權(quán)
        活力(2019年15期)2019-09-25 07:22:12
        生命“字母表”迎來4名新成員
        生命“字母表”迎來4名新成員
        植入(l, d)模體發(fā)現(xiàn)若干算法的實現(xiàn)與比較
        基于改進(jìn)AHP熵博弈賦權(quán)的輸變電工程評價
        亚洲av福利天堂在线观看| 少妇性荡欲视频| 丝袜足控一区二区三区| 欧亚精品无码永久免费视频| 伊人狼人大香线蕉手机视频| 好吊妞视频这里有精品| 色一情一乱一伦一区二区三区日本| 久久精品国产热| 免费人妻精品区一区二区三| 国产一区二区自拍刺激在线观看| 亚洲а∨精品天堂在线| āV第三区亚洲狠狠婷婷综合久久| 天堂视频一区二区免费在线观看| 中文字幕精品人妻在线| 大肉大捧一进一出好爽视频| 91伊人久久| 中文字幕精品亚洲一区二区三区| 手机看片自拍偷拍福利| 白天躁晚上躁麻豆视频| 亚洲欧美日韩国产一区二区精品| 精品色老头老太国产精品| 亚洲一区精品无码| 国产欧美日韩一区二区三区在线| 亚洲男人天堂av在线| 亚洲综合一区二区三区在线观看 | 国产一级一厂片内射视频播放 | 精品乱码一区内射人妻无码| 少妇人妻偷人精品无码视频| 日本高清一区二区三区视频 | 午夜天堂精品久久久久| 中文字幕精品久久久久人妻红杏1| 五月天婷婷一区二区三区久久 | 亚洲天堂精品一区入口| 国产精成人品日日拍夜夜免费| 不卡视频一区二区三区| 自拍av免费在线观看| 亚洲av一二三区成人影片| 97久久精品人人做人人爽| 欧美综合自拍亚洲综合百度| 大香蕉av一区二区三区| 亚洲精品无码不卡在线播放he|