DCAM-06：基于甲基化谱构建疾病预后诊断预测模型

DCAM-06：基于甲基化谱构建疾病预后诊断预测模型
 
本方案可提供解决发现差异化DNA甲基化趋势的算法和计算分析技术，并依据差异化DNA甲基化谱构建疾病或表型的分类模型；特别的，对于病例对照设计实验的样本，我们可以构建用于临床预后或诊断的DNA甲基化分子预测模型。DNA甲基化的变异存在多种形式，各种形式的变异情况可能会导致疾病和其他个体表型的差异性。图-1给出目前通常被考虑到的DNA甲基化变异的类型。出现DNA甲基化变异的位点称为MVP： （Methylation variable position ），差异DNA甲基化区域称为DMR（Differentially methylated region），其中DMR可以发生于不同的情况下，例如：
 
• iDMR — imprinting-specific differentially methylated region
• tDMR — tissue-specific differentially methylated region
• rDMR — reprogramming-specific differentially methylated region
• cDMR — cancer-specific differentially methylated region
• aDMR — ageing-specific differentially methylated region. 
特异等位基因甲基化位点和区域存在甲基化变异称为ASM（Allele-specific methylation），主要来自父母DNA甲基化模式的变异，并与SNP多态性相关联。特异单倍型的甲基化变异（Haplotype-specific methylation ，HSM）则指具有共同遗传的SNP特征的差异化甲基化区域。另外，针对CpG岛（CGI）特征区域所定义的甲基化变异也将会被分析考虑；除了CGI区域，在CGI外沿的低密度CpG位点区域，称为CGI shore, 也可能出现较大的甲基化程度变异。综上所述，本方案将考虑多方面的甲基化变异情况采用SVM支持向量机理论中的多项式核算法技术加以识别和判断。
 
在本项目中我们采用简易和较为稳定的多项式分类器和SVM优化算法SMO[19-20]构建疾病特征预测模型。 由于统计学习理论和支持向量机建立了一套较好的有限样本下机器学习的理论框架和通用方法, 既有严格的理论基础, 又能较好地解决小样本、非线性、高维数和局部极小点等实际问题, 因此成为生物学领域的研究方向之一, 其核心思想就是学习机器要与有限的训练样本相适应，得到鲁能性的疾病诊断预测模型。
 
  

更多详情：http://www.biogenius.cn/htm/solution/Biochip/78.html

 

 

Big Data , Big Idea !    
惠研生物，提供领先的生物大数据解决方案！

 

• 全基因组测序/外显子组, 转录组等项目共计 完成近万个样本的测序与分析服务
• 累计协助客户发表权威SCI论文总IF超过 160分
• 512核心CPU，1T内存 满足大规模并行的，敏捷的数据分析服务;
• 1PB 数据磁盘阵列保证企业级 测序分析结果存储的安全稳定

 

官方网站：www.biogenius.cn 
咨询热线：400-016-9606 / 180-1908-2932 
官方微信： 微信公众平台搜索 “惠研生物”  
官方QQ： 1744353207 
咨询邮箱： service@biogenius.cn