关于优化DNA甲基化参考面板的指导方针,用于细胞类型解

科学领域:

• 表观遗传学 在表观遗传学中,表观遗传学是指表观遗传学.
• 生物信息学是一种生物信息学.
• 计算生物学 计算生物学

背景情况:

• 准确的细胞类型解对于解释表观基因组广泛关联研究 (EWAS) 是必不可少的.
• 估计细胞类型分数通常依赖于从排序或单细胞数据中获得的DNA甲基化 (DNAm) 参考面板.
• 有两种主要方法可以构建这些参考面板:机器学习和效果大小/细胞类型特异性优化.

研究的目的:

• 为了比较机器学习与效果大小优化的性能,用于构建DNA甲基化参考面板.
• 确定构建DNA甲基化参考面板的最佳策略,以改善细胞类型的解.
• 为未来的DNA甲基化参考小组开发提供准则.

主要方法:

• 证明了效果大小和细胞类型特异性优化方法在参考面板构建标准机器学习方面的优势.
• 评估了独立数据集的面板性能,突出了机器学习因小排序样本大小而出现的过度匹配问题.
• 对比DNA甲基化参考面板,用于成人血液细胞类型的低甲基化与高甲基化标记物.

主要成果:

• 与机器学习方法相比,效果大小优化方法显示出更高的性能和更少的过拟合.
• 使用细胞类型特定的低甲基化标记物构建的DNA甲基化参考面板导致了成年血液中细胞类型分量的改进估计.
• 标准机器学习模型倾向于在有限的排序样本上训练时,在独立数据上过度适应和表现不佳.

结论:

• 效果大小优化方法对于构建DNA甲基化参考面板来说是可取的,因为它对过的强度很高.
• 在成年人血液面板中使用低甲基化标记物可以提高细胞类型分数估计的准确性.
• 这些发现为开发更准确的DNA甲基化参考面板提供了关键的指导方针,并包括EpiDISH R包中的优化面板构建功能.