甲基化数据分析方法、计算设备及程序产品与流程

本发明总体上涉及生物信息处理，并且具体地，涉及一种甲基化数据分析方法、计算设备、计算机存储介质和计算机程序产品。

背景技术：

1、dna甲基化（dna methylation）是dna化学修饰的一种形式，能够在不改变dna序列的前提下，改变其遗传表现。广义上的dna甲基化是指dna序列上特定的碱基在dna甲基转移酶（dna methyltransferase，dnmt）的催化作用下，以s-腺苷甲硫氨酸（s-adenosylmethionine，sam）作为甲基供体，通过共价键结合的方式获得一个甲基基团的化学修饰过程。dna甲基化修饰可以发生在胞嘧啶的c-5位、腺嘌呤的n-6位及鸟嘌呤的g-7位等位点。一般研究中所涉及的dna甲基化主要是指发生在cpg二核苷酸中胞嘧啶上第5位碳原子的甲基化过程，其产物称为5-甲基胞嘧啶（5-mc），是动植物等真核生物dna甲基化的主要形式。dna甲基化是一种被广泛研究的表观遗传修饰方式，与组蛋白修饰，rna修饰等方式一起，在调控基因表达和改变染色质构象等方面发挥了重要作用。

2、hifi测序（high fidelity reads，高保真测序）是2019年由pacbio公司推出的基于环化共有序列（circular consensus sequencing，ccs）模式产生的兼顾长读长（10-20kb的长度）和高精度（>99%准确率）的测序模式。在hifi测序的过程中，通过记录每个碱基的动力学信息，通过生物信息学的分析方法可以提取测序数据中5mcg的甲基化信息。目前pacbio开发了pb-cpg-tools工具进行甲基化信息的提取。但是该工具只能完成5mcg甲基化位点的信息，不能进行其他内容的分析，且只能单个待测样本进行分析。

技术实现思路

1、本发明提供一种甲基化数据分析方法、计算设备、计算机存储介质和计算机程序产品。该方法中整合了hifi数据中5mcg的多维度的分析需求，实现了一键化对hifi数据的5mcg的甲基化分析。

2、根据本发明的第一方面，提供了一种甲基化数据分析方法。该方法包括：基于待测样本测序数据，确定所述待测样本在各目标甲基化位点处支持该位点被甲基化的甲基化读段数及支持该位点未被甲基化的未甲基化读段数；分别对所述甲基化读段数及所述未甲基化读段数进行标准化校正，获得有效甲基化读段数及有效未甲基化读段数；以及，基于各待测样本在各目标甲基化位点处的有效甲基化读段数及有效未甲基化读段数，识别多个样本组的组间差异甲基化区域，所述样本组包含多个所述待测样本。

3、根据本发明的第二方面，还提供了一种计算设备，该计算设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行时，使所述计算设备实现本发明第一方面所述方法的步骤。

4、根据本发明的第三方面，还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现本发明第一方面所述方法的步骤。

5、根据本发明的第四方面，还提供了一种计算机程序产品。该计算机程序产品包括计算机程序，所述计算机程序被处理器执行时，实现本发明第一方面所述方法的步骤。

6、在一些实施例中，所述测序数据为单分子长读长测序数据。

7、在一些实施例中，分别对所述甲基化读段数及所述未甲基化读段数进行标准化校正包括：基于待测样本间总甲基化读段数及总未甲基化读段数的统计特征，分别选择针对所述甲基化读段数的甲基化参考样本及针对所述未甲基化读段数的未甲基化参考样本；基于各待测样本与所述甲基化参考样本在各目标甲基化位点处的甲基化读段相对丰度的对数比值的加权截尾均值，以及各待测样本与所述未甲基化参考样本在各目标甲基化位点处的未甲基化读段相对丰度的对数比值的加权截尾均值，分别确定针对所述甲基化读段数的甲基化标准化因子及针对所述未甲基化读段数的未甲基化标准化因子；以及，基于所述甲基化标准化因子及未甲基化标准化因子，分别对各待测样本在各目标甲基化位点处的甲基化读段数及未甲基化读段数进行标准化校正，获得有效甲基化读段数及有效未甲基化读段数。

8、在一些实施例中，分别选择甲基化参考样本及未甲基化参考样本包括：基于各待测样本总甲基化读段数的排序结果，选择总甲基化读段数为中位数的待测样本为甲基化参考样本；以及，基于各待测样本总未甲基化读段数的排序结果，选择总未甲基化读段数为中位数的待测样本为未甲基化参考样本。

9、在一些实施例中，所述甲基化读段相对丰度指示待测样本在目标甲基化位点处的甲基化读段数占该待测样本总甲基化读段数的比例，所述未甲基化读段相对丰度指示待测样本在目标甲基化位点处的未甲基化读段数占该待测样本总未甲基化读段数的比例。

10、在一些实施例中，所述加权截尾均值的计算包括：剔除所述对数比值中预定比例的最高值和最低值；以及，计算剩余对数比值的加权均值，所述权重与对应对数比值的近似方差呈负相关，所述近似方差基于所述待测样本在对应目标甲基化位点处的甲基化读段数或未甲基化读段数确定。

11、在一些实施例中，所述标准化因子为所述加权截尾均值的指数函数值。

12、在一些实施例中，识别组间差异甲基化区域包括：基于各待测样本在各目标甲基化位点处的有效甲基化读段数及有效未甲基化读段数，确定各待测样本在各目标甲基化位点处的有效甲基化水平；按照预定窗口大小将基因组划分为多个基因组区间；针对每个基因组区间，基于各样本组所包含的各待测样本在该基因组区间内的有效甲基化水平，对不同样本组在该基因组区间内的有效甲基化水平进行统计检验；响应于所述统计检验结果满足预定显著性条件，确定该基因组区间为组间差异甲基化区域。

13、在一些实施例中，对不同样本组在基因组区间内的有效甲基化水平进行统计检验包括：针对每个基因组区间，对各样本组在所述基因组区间内的有效甲基化水平进行参数检验，确定样本组间统计显著性，并进行多重检验校正，筛选校正后样本组间统计显著性满足预定显著性条件的基因组区间作为组间差异甲基化区域。

14、在一些实施例中，所述甲基化数据分析方法，还包括：基于所述待测样本测序数据及所述待测样本在各目标甲基化位点处的甲基化读段数及未甲基化读段数，识别所述待测样本的单倍型间差异甲基化区域。

15、在一些实施例中，识别单倍型间差异甲基化区域包括：按照预定窗口大小将基因组划分为多个基因组区间；针对每个基因组区间，基于所述待测样本测序数据的定相结果，确定所述待测样本中各单倍型在该基因组区间内的总甲基化读段数及总未甲基化读段数，以便对不同单体型在该基因组区间内的甲基化水平进行统计检验；响应于所述统计检验结果满足预定显著性条件，确定该基因组区间为单倍型间差异甲基化区域。

16、在一些实施例中，对不同单体型在基因组区间内的甲基化水平进行统计检验包括：针对每个基因组区间，对所述待测样本中各单倍型在该基因组区间内的总甲基化读段数及总未甲基化读段数进行非参数检验，确定单倍型间统计显著性，并进行多重检验校正，筛选校正后单倍型间统计显著性满足预定显著性条件的基因组区间作为单倍型间差异甲基化区域。

17、在一些实施例中，划分基因组区间还包括：统计所述基因组区间内包含的目标甲基化位点数；以及，剔除所述目标甲基化位点数不满足预定阈值的基因组区间。

18、在一些实施例中，所述甲基化数据分析方法，还包括：基于所识别的单倍型间差异甲基化区域，进行印记基因鉴定。

19、在一些实施例中，印记基因鉴定包括：基于所识别的单倍型间差异甲基化区域，确定与所述单倍型间差异甲基化区域相关联的单倍型差异甲基化基因；确定存在于已知印记基因数据库中的单倍型差异甲基化基因为候选印记基因。

20、在一些实施例中，所述甲基化数据分析方法，还包括：对所识别的差异甲基化区域进行位置注释；以及，任选地，对所识别的差异甲基化区域内的基因进行功能富集分析或通路富集分析。

21、应当理解，提供 技术实现要素： 部分是为了以简化的形式来介绍对概念的选择，它们在下文的具体实施方式中将被进一步描述。发明内容部分无意标识本发明的关键特征或主要特征，也无意限制本发明的范围。