細胞型デコンボリューションのためのDNAメチレーション基準パネルの最適化に関するガイドライン

科学分野:

• エピジェネティクス エピジェネティクス
• バイオインフォマティックス
• コンピュータ生物学 コンピュータ生物学

背景:

• 正確な細胞型解凍は,エピゲノム・ワイド・アソシエーション・スタディ (EWAS) の解釈に不可欠である.
• 細胞型分数の推定は,分類されたデータまたは単細胞データから得られたDNAメチル化 (DNAm) 参照パネルに依存する.
• これらの参照パネルを構成する主な方法は,機械学習と効果サイズ/細胞タイプ特異性最適化です.

研究 の 目的:

• DNAメチル化レファレンスパネルを構築するために,機械学習の性能と効果サイズ最適化の性能を比較する.
• 改善された細胞型解体のためのDNAメチレーション参照パネルを構築するための最適な戦略を特定する.
• 将来のDNAメチル化レファレンスパネル開発のためのガイドラインを提供すること.

主な方法:

• 参照パネル構築の標準的な機械学習よりも,効果サイズとセルタイプ特異性最適化アプローチの優越性を実証しました.
• 独立したデータセットでのパネルのパフォーマンスを評価し,小型化されたサンプルサイズによる機械学習のオーバーフィット問題を強調しました.
• 大人の血液細胞のタイプについて,ハイポメチル化対ハイパーメチル化マーカーから作られたDNAメチル化レファレンスパネルを比較した.

主要な成果:

• 効果サイズ最適化方法は,機械学習のアプローチと比較して優れた性能と過度のフィッティングの減少を示しました.
• 細胞型特異的低メチル化マーカーを使用して構築されたDNAメチル化レファレンスパネルは,成人の血液中の細胞型分子の推定を改善しました.
• 標準的な機械学習モデルは,限られた分類されたサンプルで訓練された場合,独立したデータに対して過度に適合し,過度のパフォーマンスを発揮する傾向がありました.

結論:

• 効果サイズ最適化アプローチは,オーバーフィッティングに対する強度のため,DNAメチル化レファレンスパネルを構築する際に好ましい.
• 大人の血液パネルにおける低メチル化マーカーの利用は,細胞型分数の推定の精度を高めます.
• これらの発見は,より正確なDNAメチル化基準パネルを開発するための重要なガイドラインを提供し,EpiDISH Rパッケージに最適化されたパネル構築機能が含まれています.