【摘要】：新一代測(cè)序技術(shù)(Next-Generation Sequencing,NGS)的出現(xiàn)使得快速、廉價(jià)地獲取全基因組、高通量測(cè)序數(shù)據(jù)成為可能,改變了人們?cè)诨A(chǔ)、應(yīng)用和臨床研究的科研方法,加深了人們對(duì)復(fù)雜生命現(xiàn)象及其機(jī)制的理解,極大地促進(jìn)了多組學(xué)研究的發(fā)展。DNA元件百科全書計(jì)劃(Encyclopedia of DNA Elements,ENCODE)和表觀路線圖計(jì)劃(Roadmap Epigenomics)是后基因組時(shí)代的最重要的兩個(gè)科研項(xiàng)目,提供了大量ChIP-Seq、RNA-Seq、DNase-Seq等全基因組、高通量、多組學(xué)數(shù)據(jù)。這些多組學(xué)數(shù)據(jù)不是孤立的,他們相互聯(lián)系、相互影響,反映了基因組不同方面的性質(zhì)。因此,我們應(yīng)該有效利用各組學(xué)數(shù)據(jù)之間的技術(shù)差異和互補(bǔ)性,從系統(tǒng)的、整合的角度將多組學(xué)數(shù)據(jù)結(jié)合起來(lái)進(jìn)行集成研究,從系統(tǒng)水平上解決生物學(xué)問(wèn)題,從而揭示生命現(xiàn)象背后隱藏的秘密。為了解決基因組不同類型的功能元件的識(shí)別難題,人們需要大量有待解決問(wèn)題的生物背景知識(shí),基于這些先驗(yàn)知識(shí)人為地設(shè)計(jì)一系列諸如過(guò)濾、合并、重疊的操作流程來(lái)識(shí)別相應(yīng)的功能元件,但是這嚴(yán)重地依賴于人們對(duì)相關(guān)問(wèn)題的先驗(yàn)認(rèn)知的程度。另外,人們也開(kāi)發(fā)了一些生物信息學(xué)算法和軟件來(lái)識(shí)別功能元件,并取得了一定成效,但是這些算法和軟件從本質(zhì)上來(lái)說(shuō)屬于淺層學(xué)習(xí)(Shallow Learning),其數(shù)據(jù)刻畫和特征學(xué)習(xí)的能力有限,因此它們整合海量、復(fù)雜的多組學(xué)數(shù)據(jù)并從中發(fā)現(xiàn)規(guī)律的能力大大受到限制。2006年Geoffrey Hinton在《科學(xué)》雜志上的一篇開(kāi)創(chuàng)性的文章掀起了深度學(xué)習(xí)(Deep Learning)的浪潮。深度學(xué)習(xí)是人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,ANN)研究的延伸和拓展,利用深度學(xué)習(xí)建立的深層神經(jīng)網(wǎng)絡(luò)(Deep Neural Network,DNN)具有優(yōu)異的特征學(xué)習(xí)能力,通過(guò)逐層的抽象和特征提取,可以對(duì)大量訓(xùn)練樣本進(jìn)行更本質(zhì)的數(shù)據(jù)刻畫和學(xué)習(xí)統(tǒng)計(jì)學(xué)規(guī)律,從而對(duì)新的未知數(shù)據(jù)做出更加精準(zhǔn)的預(yù)測(cè)。本文根據(jù)不同的特定生物學(xué)問(wèn)題和相應(yīng)的特定數(shù)據(jù)類型,基于對(duì)深度學(xué)習(xí)等各種機(jī)器學(xué)習(xí)算法的扎實(shí)理論基礎(chǔ)和實(shí)際應(yīng)用經(jīng)驗(yàn),首先“因地制宜”地設(shè)計(jì)和開(kāi)發(fā)了適合不同生物學(xué)問(wèn)題的不同深度學(xué)習(xí)算法。接著利用ENCODE計(jì)劃和NIH Roadmap Epigenomics計(jì)劃提供的大量的全基因組、高通量NGS數(shù)據(jù),從系統(tǒng)的、整合的角度進(jìn)行集成研究,利用已建立的基于深度學(xué)習(xí)的算法識(shí)別全基因組的各種不同功能元件。最后,基于算法識(shí)別的全基因組功能元件,從表觀組蛋白修飾、基因表達(dá)、轉(zhuǎn)錄因子結(jié)合位點(diǎn)、DNA超敏位點(diǎn)、DNA甲基化、保守性、染色質(zhì)三維結(jié)構(gòu)和RNA二級(jí)結(jié)構(gòu)等多個(gè)方面來(lái)分析這些不同功能元件的相關(guān)生物學(xué)性質(zhì),以及探究其與疾病的關(guān)系。根據(jù)具體的不同生物學(xué)問(wèn)題,本文完成了以下幾個(gè)方面的研究?jī)?nèi)容:首先,基于深度學(xué)習(xí)的人類基因組復(fù)制時(shí)間域的識(shí)別與注釋研究。本文從dna復(fù)制中的復(fù)制時(shí)間域入手,為了解決不同復(fù)制時(shí)間域的識(shí)別難題,本文開(kāi)發(fā)了一種新的、結(jié)合了深層神經(jīng)網(wǎng)絡(luò)和隱馬爾科夫模型(dnn-hmm)的混合算法,利用復(fù)制時(shí)間譜來(lái)識(shí)別相關(guān)的復(fù)制時(shí)間域。通過(guò)性能評(píng)估和比較,結(jié)果表明,dnn-hmm顯著地優(yōu)于傳統(tǒng)的dnn和高斯混合模型—隱馬爾科夫模型(gmm-hmm),同時(shí)也比其他可用于復(fù)制時(shí)間域識(shí)別的6種方法的性能更加優(yōu)秀。基于開(kāi)發(fā)的深度學(xué)習(xí)算法,本文利用新復(fù)制dna測(cè)序(repli-seq)數(shù)據(jù)和訓(xùn)練好的dnn-hmm模型識(shí)別了15個(gè)細(xì)胞中各種類型的復(fù)制時(shí)間域。接下來(lái)的基于多組學(xué)數(shù)據(jù)的整合分析表明dnn-hmm識(shí)別的這些復(fù)制時(shí)間域擁有獨(dú)特的基因組和表觀基因組模式、轉(zhuǎn)錄活性、高階的染色質(zhì)結(jié)構(gòu),基于這些發(fā)現(xiàn)本文提出了“復(fù)制時(shí)間域”模型。該模型揭示了人類基因組中染色質(zhì)組織結(jié)構(gòu)的重要原則,加深了我們對(duì)人類基因組調(diào)控復(fù)制時(shí)間機(jī)制的理解。其次,基于深度學(xué)習(xí)的人類基因組增強(qiáng)子的識(shí)別研究。增強(qiáng)子在調(diào)控基因的時(shí)空表達(dá)方面具有重要作用,但是全基因組的增強(qiáng)子的預(yù)測(cè)一直受幾個(gè)關(guān)鍵問(wèn)題的制約,因此增強(qiáng)子的預(yù)測(cè)是計(jì)算生物學(xué)中的一大挑戰(zhàn)。本文提出了一種基于深度學(xué)習(xí)的算法框架pedla來(lái)對(duì)增強(qiáng)子進(jìn)行綜合地、無(wú)偏地預(yù)測(cè)。結(jié)果表明,pedla能夠整合海量不同類型的異構(gòu)數(shù)據(jù),使得預(yù)測(cè)結(jié)果更加綜合和準(zhǔn)確;pedla也具備處理類別不平衡數(shù)據(jù)的能力,使得預(yù)測(cè)結(jié)果更加穩(wěn)健和無(wú)偏。與當(dāng)前頂尖的5種同類機(jī)器學(xué)習(xí)算法相比,pedla的性能顯著地優(yōu)于它們。在此基礎(chǔ)上,本文進(jìn)一步將pedla框架擴(kuò)展到多細(xì)胞/組織類型的增強(qiáng)子識(shí)別中。將pedla在22個(gè)細(xì)胞/組織進(jìn)行了迭代訓(xùn)練,發(fā)現(xiàn)訓(xùn)練后的模型在22個(gè)訓(xùn)練細(xì)胞/組織和20個(gè)獨(dú)立的測(cè)試細(xì)胞/組織中取得了極其優(yōu)異且一致的性能,表明pedla是一種可用于不同細(xì)胞/組織的增強(qiáng)子預(yù)測(cè)的通用的、穩(wěn)健的深度學(xué)習(xí)框架。再次,基于深度學(xué)習(xí)和集成學(xué)習(xí)的rna編輯位點(diǎn)的識(shí)別研究。當(dāng)前rna編輯位點(diǎn)的識(shí)別主要都是基于人們對(duì)rna編輯位點(diǎn)的先驗(yàn)知識(shí)通過(guò)一系列人工繁雜的過(guò)濾來(lái)得到。本文針對(duì)rna編輯位點(diǎn)的識(shí)別問(wèn)題,設(shè)計(jì)和開(kāi)發(fā)了基于深度學(xué)習(xí)的自舉重采樣的并行集成學(xué)習(xí)的rna編輯位點(diǎn)的識(shí)別算法——deepred。deepred算法有幾個(gè)突出優(yōu)點(diǎn):一是可以自動(dòng)從訓(xùn)練樣本中學(xué)習(xí)和歸納到rna編輯位點(diǎn)更本質(zhì)的信息和規(guī)律;二是可以直接從gatk輸出的包含各種類型的復(fù)雜候選集合中準(zhǔn)確預(yù)測(cè)rna編輯位點(diǎn);三是,在識(shí)別rna編輯位點(diǎn)同時(shí)能夠識(shí)別snp;四是,輸入特征都是“atcg”的原始序列,算法可以自動(dòng)提取和抽象更加有效的特征;五是算法具有很好處理類別不平衡數(shù)據(jù)的能力。結(jié)果表明,DeepRed算法在RNA編輯位點(diǎn)識(shí)別中取得了極好的效果,同時(shí),獨(dú)立實(shí)驗(yàn)數(shù)據(jù)的驗(yàn)證也進(jìn)一步表明DeepRed算法是可靠和準(zhǔn)確的。另外,在多細(xì)胞中的評(píng)估結(jié)果表明DeepRed算法具有很好的泛化能力,能夠有效識(shí)別不同細(xì)胞、不同位置和不同狀態(tài)下RNA編輯位點(diǎn)。最后,人類基因組增強(qiáng)子RNA的識(shí)別與注釋研究。eRNA到底僅僅是轉(zhuǎn)錄噪聲還是具有調(diào)控功能,以及具體到底是eRNA轉(zhuǎn)錄本還是轉(zhuǎn)錄RNA的動(dòng)作是有功能的,一直是相關(guān)研究所探討的問(wèn)題。本文識(shí)別了50個(gè)細(xì)胞/組織的一類特殊的增強(qiáng)子——活性增強(qiáng)子及其轉(zhuǎn)錄產(chǎn)生的一類非編碼RNA(eRNA)分子。通過(guò)組蛋白修飾、RNA轉(zhuǎn)錄、轉(zhuǎn)錄因子結(jié)合位點(diǎn)和共激活劑結(jié)合位點(diǎn)等不同染色質(zhì)標(biāo)志的性質(zhì)分析,本研究發(fā)現(xiàn)增強(qiáng)子活性、eRNA水平、關(guān)聯(lián)基因mRNA水平、GO生物過(guò)程都是以一種細(xì)胞特異的方式關(guān)聯(lián)在一起,并且這些特異的生物過(guò)程準(zhǔn)確地定義了對(duì)應(yīng)細(xì)胞/組織的身份特性。通過(guò)在eRNA中檢測(cè)已知和全新RNA二級(jí)結(jié)構(gòu),本文發(fā)現(xiàn)eRNA中存在大量功能性結(jié)構(gòu)ncRNA,包括類似miRNA的保守二級(jí)結(jié)構(gòu)。進(jìn)一步的分析結(jié)果表明SNP對(duì)eRNA的結(jié)構(gòu)有顯著影響從而可能導(dǎo)致一些疾病的發(fā)生,因此本文進(jìn)一步探究了eRNA與疾病的關(guān)系�？傊�,本文圍繞“基于深度學(xué)習(xí)的基因組功能元件的識(shí)別與注釋”展開(kāi),設(shè)計(jì)和開(kāi)發(fā)了針對(duì)不同功能元件識(shí)別的深度學(xué)習(xí)算法,并對(duì)算法識(shí)別的功能元件進(jìn)行了系統(tǒng)和整合的注釋,進(jìn)而發(fā)現(xiàn)了新的調(diào)控機(jī)制,以及揭示功能元件與疾病的關(guān)系。
【圖文】：

Hi-C地圖和復(fù)制時(shí)間域

連接了 ERD 和 LRD 的邊界。DTZ 具有活性/抑制性染色質(zhì)標(biāo)記快速下降/上升的特性，而 UTZ 具有活性/抑制性染色質(zhì)標(biāo)記快速上升/下降的特性。圖2.13 復(fù)制時(shí)間域模型本研究的復(fù)制時(shí)間域模型與之前的分形球、無(wú)結(jié)的聚合物形態(tài)一致[81]。在本研究的模型中，，空間隔離的分形球等價(jià)于時(shí)間隔離的 ERD 和 LRD，其中 ERD和LRD是由UTZ和DTZ連接在一起。被ERD或者LRD分隔的相鄰的DTZ-UTZ對(duì)通過(guò)更強(qiáng)的相互作用在每個(gè) ERD 和 LRD 兩側(cè)形成染色質(zhì)環(huán)。更重要的是，本研究發(fā)現(xiàn)在由相鄰的 DTZ-UTZ 對(duì)形成的染色質(zhì)環(huán)中，LRD 偏向于更緊密的地纏繞在一起，其中的區(qū)間也偏向于長(zhǎng)程相互作用，而 ERD 則傾向于酥松地纏繞在一起，其中的區(qū)間也相對(duì)是短程相互作用。2.5 材料與方法2.5.1 數(shù)據(jù)集15 個(gè)細(xì)胞類型的基于 Repli-Seq 的復(fù)制時(shí)間數(shù)據(jù)是從 ENCODE 計(jì)劃下的 UW
【學(xué)位授予單位】：中國(guó)人民解放軍軍事醫(yī)學(xué)科學(xué)院
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2016
【分類號(hào)】：Q78


本文編號(hào)：2580551