Illumina甲基化芯片分析工具SeSAMe教程第三篇之建模與推斷

瀏覽次數：1560　發布日期：2023-9-20　來源：Illumina因美納公眾號

點擊圖片立即回顧

前兩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和它們在腫瘤和遺傳領域的典型應用。這一期我們來聊一聊甲基化芯片在感染和農業以及其他領域的應用，以及如何利用甲基化芯片分析工具SeSAMe對芯片數據進行建模與推斷分析。

在 COVID-19 大流行時期，由凱瑟琳·巴恩斯博士領導的科羅拉多大學進行了一次大型 EWAS研究。這項研究涉及來自受 COVID-19 影響的個人、對照受試者和受其他呼吸道病毒影響的個體的樣本。對每組DNA甲基化進行分析，并針對每種疾病狀況發現不同的甲基化特征。甲基化方法不僅檢測到這種疾病，而且還以驚人的準確性預測了個體COVID-19感染后的疾病結果，即感染者是否需要住院治療、入住ICU的可能性和死亡率等。

Konigsberg, I.R., Barnes, B., Campbell, M. et al. Host methylation predicts SARS-CoV-2 infection and clinical outcome. Commun Med 1, 42 (2021).

研究顯示，甲基化圖譜與炎癥反應和對免疫反應的調節機制密切相關。傳統的宏基因組(mNGS)分析并沒有整合來自宿主的反應信息，而甲基化圖譜可以被用于判定宿主的損傷是感染還是非感染以及損傷嚴重程度，因而可以被用于作為器官移植手術如腎移植術后并發癥預測和監測的一種生物標志物。相較于RNA或蛋白質，DNA甲基化是一種更容易獲得的生物標志物，并且會在移植過程中不同的時間點以及隨后的短期和長期隨訪中呈現動態變化，因而實時的獲得更詳盡的甲基化圖譜信息也將為新治療策略的開發提供更多可能。

Cristoferi I, Giacon TA, Boer K, van Baardwijk M, Neri F, Campisi M, Kimenai HJAN, Clahsen-van Groningen MC, Pavanello S, Furian L, Minnee RC. The applications of DNA methylation as a biomarker in kidney transplantation: a systematic review. Clin Epigenetics. 2022 Feb 7;14(1):20. doi: 10.1186/s13148-022-01241-7. PMID: 35130936; PMCID: PMC8822833.

甲基化圖譜可以提供關于細胞狀態與環境相關的重要信息，因而可以被用于畜牧業動物福利的監測以及來源地的追溯。例如有研究顯示，通過對甲基化圖譜的監測，我們可以發現表觀遺傳特征從一個環境轉移到另一個環境時的依賴性轉換，從而鑒定鮭魚中的河流特異性特征、雞肉中的農場特異性特征等，這就為農業畜牧業中動物產品來源的追溯和認證、動物健康程度、動物福利監督等應用鑒定提供了更多的可行性和可能性。

Whelan R, Tönges S, Böhl F and Lyko F (2023) Epigenetic biomarkers for animal welfare monitoring. Front. Vet. Sci. 9:1107843. Doi: 10.3389/fvets.2022.1107843

Venkatesh G, Tönges S, Hanna K, Ng YL, Whelan R, Andriantsoa R, Lingenberg A, Roy S, Nagarajan S, Fong S, Raddatz G, Böhl F, Lyko F. Context-dependent DNA methylation signatures in animal livestock. Environ Epigenet. 2023 Jan 23;9(1):dvad001. doi: 10.1093/eep/dvad001. PMID: 36936885; PMCID: PMC10019019.

DNA甲基化研究的一個新興領域是衰老。衰老與整個生命周期中DNA甲基化的整體損失有關。加州大學洛杉磯分校的Steve Horvath博士開發了許多表觀遺傳衰老時鐘，可以從DNA甲基化譜中預測實際年齡。表觀遺傳年齡現在正在被探索為一般健康和保健的潛在生物標志物。如果一個人的表觀遺傳年齡高于實際年齡，則他們的衰老加速，這往往與更高的衰老相關疾病發病率和早期死亡率相關。整體健康和保健通常與較慢的衰老速度有關，其定義是表觀遺傳年齡低于實際年齡。

Horvath, S., Raj, K. DNA methylation-based biomarkers and the epigenetic clock theory of ageing. Nat Rev Genet 19, 371–384 (2018).

研究表明，DNA甲基化表征可以因為日常生活中的環境暴露風險而改變，這些環境因素包含但不限于空氣污染、重金屬納入、吸煙或二手煙暴露、酒精攝入程度等。而這些甲基化表征一旦被建立，即便風險因素被移除，也可能會繼續存在相當長的時間。這些甲基化表征在不同個體和個體的不同器官組織內也存在一定的差異。同時甲基化表征還能一定程度上反應風險因素暴露的時間長度和嚴重程度，例如偶爾吸煙和重度吸煙人員的甲基化圖譜存在明顯差異。因此，測試甲基化圖譜可以實時的捕獲過去和現在的環境風險暴露因素，也可以更好的了解人類疾病的發生和進展情況，有助于更好的健康管理。

Nwanaji-Enwerem JC, Colicino E. DNA Methylation-Based Biomarkers of Environmental Exposures for Human Population Studies. Curr Environ Health Rep. 2020 Jun;7(2):121-128. doi: 10.1007/s40572-020-00269-2. PMID: 32062850.

操作腳本
BiocManager::install("SummarizedExperiment")
BiocManager::install("tidyverse")
library(sesame)
library(SummarizedExperiment)
library(tidyverse)
packageVersion(“sesame”)
se = sesameDataGet("MM285.10.SE.tissue")[1:1000,]
meta = dplyr::select(as_tibble(colData(se)),IDAT,sex,age,tissue)
meta$sex = relevel(factor(meta$sex),ref="Female")
meta$tissue=relevel(factor(meta$tissue),ref="Colon")
str(meta)
betas = assay(se)
ok1=checkLevels(betas,meta$sex)
sum(ok1)
betas[which(!ok1)[1],]
ok3=checkLevels(betas,meta$tissue)
betas = betas[ok1&ok3,]
dim(betas)
BiocManager::install("dml")
library(dml)
smry=DML(betas,~sex+age+tissue,meta=meta)
smry
smry[[1]]
res = summaryExtractTest(smry)
dim(res)
colnames(res)
res %>% arrange(Est_age) %>% dplyr::select(Est_age,Pval_age) %>% tail
ggplot(tibble(betaValue=assay(se)[res$Probe_ID[nrow(res)],],age=meta$age),aes(age,betaValue))+geom_point()+geom_smooth(method="lm")
ggplot(tibble(betaValue=betas["cg00116289_BC21",],age=meta$age),aes(age,betaValue))+geom_point()+geom_smooth(method="lm")
res %>% arrange(Est_sexMale) %>% dplyr::select(Est_sexMale,Pval_sexMale) %>% head()
with(res,plot(Est_sexMale,-log10(Pval_sexMale),xlab="Delta Beta",ylab="-log10(P-value)"))
mappingEPIC<-sesameAnno_get("EPIC/hg38.tsv.gz")
left_join(data.frame(res %>% filter(Est_sexMale > 0.1, Pval_sexMale < 0.05)),mappingEPIC,by="Probe_ID") %>% with(table(CpG_chrm))
res %>% dplyr::filter(Eff_tissue>0.1,FPval_tissue<0.01) %>% arrange(-Eff_tissue) %>% dplyr::select(Eff_tissue,FPval_tissue) %>% head()
withref = res %>% dplyr::select(starts_with("Est_tissue")) %>% mutate(Est_tissueColon = 0)
apply(withref - apply(withref,1,median),2,function(x) sum(x < -0.3))
barplot(apply(withref - apply(withref,1,median),2,function(x) sum(x < -0.3)),las=2)
dmContrasts(smry)
merged=DMR(betas,smry,"sexMale")
sh = sesameDataGet(“EPIC.1.SigDF”)
sm = sesameDataGet(“MM285.1.SigDF”)
BiocManager::install("randomForest")
mapping<-sesameAnno_get("HM450/hg38.tsv.gz")
left_join(pOOBAH(sh),mapping,by="Probe_ID") %>% dplyr::filter(CpG_chrm == "chrY") %>% with(sum(mask)/length(mask))
inferSexKaryotypes(sh)
inferEthinicity(sh)
inferStrain(sm,return.strain=TRUE)
inferStrain(sm,return.probability=TRUE)
sort(inferStrain(sm,return.probability=TRUE),decreasing=TRUE)
predictAge(getBetas(sh,mask=FALSE),sesameAnno_get("Anno/HM450/Clock_Horvath353.rds"))
predictAge(getBetas(sm,mask=FALSE),sesameAnno_get("Anno/MM285/Clock_Zhou347.rds"))
predictAge(getBetas(dyeBiasNL(noob(sm)),mask=FALSE),sesameAnno_get("Anno/MM285/Clock_Zhou347.rds"))
BiocManager::install("DNAcopy")
segs <-cnSegmentation(sh)
visualizeSegments(segs)
betas = sesameDataGet(“HM450.1.TCGA.PAAD”)$betas
estimateLeukocyte(betas)
compareReference(sesameDataGet("MM285.tissueSignature"),getBetas(sm))

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教程第三篇之建模與推斷