Illumina甲基化芯片分析工具SeSAMe教程第二篇之數據預處理

瀏覽次數：1810　發布日期：2023-9-20　來源：Illumina因美納公眾號

點擊圖片立即回顧

上一期我們給您介紹了因美納目前提供的三種主要的甲基化芯片產品，這一期我們來聊一聊甲基化芯片在腫瘤和遺傳領域的典型應用，以及如何利用甲基化芯片分析工具SeSAMe進行芯片數據的預處理。

組織病理學診斷對中樞神經系統腫瘤亞型判斷存在困境——上百種CNS亞型，組織學表現相似，病理學家對罕見腫瘤類別難下結論。為了解決這個問題，DKFZ (德國癌癥研究中心)的研究人員利用Methylation EPIC芯片分析了2,800余例癌癥樣本的甲基化特征，涵蓋了上百種CNS腫瘤類型 (根據WHO的分類以及臨床診斷結果)。DKFZ構建的甲基化譜分類器，可明確區分82種基于甲基化指紋的CNS腫瘤類別。在千余例臨床樣本驗證中，甲基化譜分類器提供了額外的、臨床相關的分型信息，對26.9% 的病例做出了新的分類診斷，指導患者進行最佳治療方案選擇。2016年版WHO CNS分類指南中已經引入了分子學特征進行腫瘤分類, 2021年WHO CNS5作為最新版腦和脊髓腫瘤分類國際標準, 也納入DNA甲基化譜分析。

1. Capper D, Jones DTW, Sill M, et al. DNA methylation-based classification of central nervous system tumours. Nature. 2018;555(7697):469-474. doi:10.1038/ nature26000

肉瘤是由結締組織轉化引起的腫瘤，占實體瘤病例的不到1%，每年發病人數在18萬人左右。由于其罕見特性，分子病理學家可能無法正確分類肉瘤，目前已知的錯誤分類率約為20-25%。RNA-Seq檢測在肉瘤分類中非常常用，但RNA層面的檢測并不是完全有用，因為并非所有肉瘤都具有特征性融合，目前的數據顯示約有三分之二的病例缺乏融合指針。DKFZ構建的甲基化肉瘤分類器使用了1077例臨床樣本，涵蓋62種不同的分類亞型，并且在428例驗證樣本中成功鑒定了322例的具體分型。

2. Koelsche, C., Schrimpf, D., Stichel, D. et al. Sarcoma classification by DNA methylation profiling. Nat Commun 12, 498 (2021). https://doi.org/10.1038/s41467-020-20603-4

甲基化分類器的研究已經細化并重塑了中樞神經系統腫瘤分類的前景，結合病理診斷結果，分類器已經在實際臨床中證明了其診斷精度的提高，尤其是針對組織學上分類模糊的病例而言。類似的方法也可以在其他腫瘤群組中使用。目前，DKFZ已經在拓展包括血液腫瘤分類器、泛腫瘤分類器、神經肌肉疾病分類器在內的多種不同應用，可以被應用于包括乳腺癌、咽喉癌、子宮內膜癌、肝癌和其他原發灶不明的腫瘤中去。在可以預期的未來，甲基化芯片將有希望為超過90%的癌癥提供甲基化分類證據，進一步提升臨床診斷，優化病人健康管理。

3. Koelsche C, von Deimling A. Methylation classifiers: Brain tumors, sarcomas, and what's next. Genes Chromosomes Cancer. 2022;61(6):346‐355. doi:10.1002/gcc.23041

近年來，EWAS數據已與數學模型配對以創建甲基化風險評分。迄今為止的文獻指出，基于甲基化的風險評分MRS比多基因風險評分PRS的準確性要高得多。這可能是因為我們的基因型通常不會在我們的一生中發生變化，而我們的表觀基因組更具動態性，通常反映我們當前的生物狀態，包括我們的年齡，我們可能正在發展的疾病，以及環境因素如何影響我們生物水平。在一項研究中，加州大學洛杉磯分校的研究人員假設MRS將是一個很好的表型預測工具，MRS可能會補充PRS來預測復雜的疾病和表型。為了測試這一點，他們比較了831名患者的基因分型和甲基化風險評估結果，研究發現甲基化風險評分在各種標準中優于 PRS，而且MRS還可以使研究人員獲得測試患者最近的環境暴露風險等因素。

1. Thompson, M., Hill, B.L., Rakocz, N. et al. Methylation risk scores are associated with a collection of phenotypes within electronic health record systems. npj Genom. Med. 7, 50 (2022). https://doi.org/10.1038/s41525-022-00320-1

臨床表型和基因組關聯的復雜程度是遺傳疾病日常診斷和臨床管理中日益嚴峻的挑戰。基因組變異的功能上的后果的判斷和臨床影響的決策涉及獨特的、疾病特異性的DNA甲基化位點。格林伍德基因組中心使用EpiSign，一種通過評估全基因組甲基化表征來識別經過驗證的和可重現的表觀遺傳特征的檢測方法，來檢測疾病特異性的甲基化模式。評估這些不同的甲基化模式可以作為診斷性檢查中這些疾病的有用篩查工具，也可以通過更有針對性的方式幫助解決臨床意義不確定的變異。2023年2月推出的EpiSgn v4版本目前可以識別包括糖尿病、心血管疾病、神經發育異常等在內的70多種疾病類型。
1. https://ggc.org/EpiSign

操作腳本
library(sesame)
dest_dir = tempdir()
dest_dir
setwd(dest_dir)
download.file("https://ftp.ncbi.nlm.nih.gov/geo/samples/GSM2178nnn/GSM2178224/suppl/GSM2178224_184AA3_Grn.idat.gz", "GSM2178224_184AA3_Grn.idat.gz")
download.file("https://ftp.ncbi.nlm.nih.gov/geo/samples/GSM2178nnn/GSM2178224/suppl/GSM2178224_184AA3_Red.idat.gz", "GSM2178224_184AA3_Red.idat.gz")
list.files(pattern=”*.idat”)
s = readIDATpair("GSM2178224_184AA3",verbose=TRUE)
sesameQC_calcStats(s,"numProbes")
mft = sesameDataGet(“EPIC.address”)$ordering
s = readIDATpair("GSM2178224_184AA3",manifest=mft)
library(parallel)
mclapply(searchIDATprefixes(“.”), readIDATpair)
sesameQC_calcStats(s)
qc = sesameQC_calcStats(s,"intensity")
sesameQC_rankStats(qc,platform="EPIC")
betas = getBetas(s)
head(betas, 20)
head(s$mask)
s0 = resetMask(s)
sum(s0$mask)
s1 = qualityMask(s0)
s2 = pOOBAH(s1)
sum(s2$mask)
pval = pOOBAH(s, return.pval=TRUE)
s3 = addMask(s1, pval>0.05)
sum(s3$mask) == sum(s2$mask)
BiocManager::install("pals")
sesameQC_plotIntensVsBetas(s)
s4 = noob(s)
sesameQC_plotIntensVsBetas(s4)
sesameQC_plotRedGrnQQ(s4)
s5 = dyeBiasNL(s4)
sesameQC_plotRedGrnQQ(s5)
sesameQC_plotIntensVsBetas(s5)
betas = do.call(cbind, mclapply(searchIDATprefixes(“.”), function(px)getBetas(dyeBiasNL(noob(pOOBAH(readIDATpair(px))))), mc.cores=2))
head(betas)
betas2 = openSesame(“.”)
all(betas == betas2, na.rm=T)

索取資料

來源：因美納（中國）科學器材有限公司（Illumina）
聯系電話：021-60321066 (按1)
E-mail：china_info@illumina.com

【點擊可查看因美納（中國）科學器材有限公司（Illumina）相關產品】

分享到：QQ空間新浪微博騰訊微博微信

【所有文章】【本類新聞】【相關產品】【關閉窗口】

本類文章

本類新聞

15女上课自慰被男同桌看到了,亚洲国产精品久久久久久久,大雞巴亂倫有声小说,国产精品成人一区二区三区

Illumina甲基化芯片分析工具SeSAMe教程第二篇之數據預處理