a-novel-bayesian-change-point-algorithm-for-genome-wide-analysis

A Novel Bayesian Change-point Algorithm for Genome-wide Analysis of Diverse ChIPseq Data Types

ChIPseq is a widely used technique for investigating protein-DNA interactions. Read density profiles are generated by using next-sequencing of ...

Stony Brook University

&#x57FA;&#x4E8E;&#x9635;&#x5217;&#x7684;&#x6BD4;&#x8F83;&#x57FA;&#x56E0;&#x7EC4;&#x6742;&#x4EA4; &#xFF08;&#x6570;&#x7EC4;&#x8BA1;&#x7B97;&#x5168;&#x606F;&#x56FE;&#xFF09; &#x662F;&#x4E00;&#x4E2A;&#x9AD8;&#x541E;&#x5410;&#x91CF;&#x7684;&#x9AD8;&#x5206;&#x8FA8;&#x7387;&#x6280;&#x672F;&#x7528;&#x4E8E;&#x7814;&#x7A76;&#x764C;&#x75C7;&#x7684;&#x57FA;&#x56E0;&#x3002;&#x6570;&#x7EC4;&#x5168;&#x606F;&#x6570;&#x636E;&#x7684;&#x5206;&#x6790;&#x901A;&#x5E38;&#x6D89;&#x53CA;&#x4ECE;&#x65E5;&#x5FD7;&#x8367;&#x5149;&#x6BD4;&#x7387;&#x548C;&#x5206;&#x5272;&#x6210;&#x533A;&#x57DF;&#x5177;&#x6709;&#x76F8;&#x540C;&#x7684;&#x526F;&#x672C;&#x6570;&#x91CF;&#xFF0C;&#x6BCF;&#x4E2A;&#x5DE5;&#x4F5C;&#x5730;&#x70B9;&#x7684;&#x67D3;&#x8272;&#x4F53;&#x67D3;&#x8272;&#x4F53;&#x590D;&#x5236;&#x57FA;&#x7840;&#x6570;&#x5B57;&#x7684;&#x4F30;&#x8BA1;&#x3002;&#x6211;&#x4EEC;&#x5EFA;&#x8BAE;&#x4E3A;&#x6570;&#x7EC4;&#x5168;&#x606F;&#x6570;&#x636E;&#x7684;&#x5206;&#x6790;&#x3001; &#x65B0;&#x7684;&#x968F;&#x673A;&#x5206;&#x5272;&#x6A21;&#x578B;&#x548C;&#x5177;&#x6709;&#x5438;&#x5F15;&#x529B;&#x7684;&#x7EDF;&#x8BA1;&#x548C;&#x8BA1;&#x7B97;&#x5C5E;&#x6027;&#x76F8;&#x5173;&#x8054;&#x7684;&#x4F30;&#x8BA1;&#x8FC7;&#x7A0B;&#x3002;&#x6B64;&#x8D1D;&#x53F6;&#x65AF;&#x5206;&#x5272;&#x6A21;&#x578B;&#x7684;&#x4E00;&#x4E2A;&#x91CD;&#x8981;&#x7684;&#x597D;&#x5904;&#x662F;&#x5B83;&#x751F;&#x6210;&#x540E;&#x7684;&#x624B;&#x6BB5;&#xFF0C;&#x53EF;&#x4EE5;&#x7528;&#x6765;&#x4F30;&#x8BA1;&#x4FE1;&#x53F7;&#x76F4;&#x63A5;&#x800C;&#x4E0D;&#x6267;&#x884C;&#x5206;&#x5272;&#x7684;&#x663E;&#x5F0F;&#x516C;&#x5F0F;&#x3002;&#x6B64;&#x5916;&#x53EF;&#x4EE5;&#x901A;&#x8FC7;&#x4F7F;&#x7528;&#x6211;&#x4EEC;&#x7684;&#x65B9;&#x6CD5;&#xFF0C;&#x4F30;&#x8BA1;&#x5176;&#x4ED6;&#x5BF9;&#x4E8E;&#x4EFB;&#x4F55;&#x7ED9;&#x5B9A;&#x7684;&#x5206;&#x5272;&#x7684;&#x4FE1;&#x5FC3;&#x8BC4;&#x4F30;&#x63D0;&#x4F9B;&#x6709;&#x7528;&#x7684;&#x6570;&#x91CF;&#x6709;&#x5173;&#x7684;&#x9A8C;&#x540E;&#x7684;&#x5206;&#x5E03;&#x3002;&#x6211;&#x4EEC;&#x5EFA;&#x8BAE;&#x5176;&#x8BA1;&#x7B97;&#x65F6;&#x95F4;&#x662F;&#x7EBF;&#x6027;&#x5E8F;&#x5217;&#x7684;&#x957F;&#x5EA6;&#xFF0C;&#x5B83;&#x4F7F;&#x5F97;&#x6211;&#x4EEC;&#x7684;&#x65B9;&#x6CD5;&#x51E0;&#x4E4E;&#x9002;&#x7528;&#x4E8E;&#x65B0;&#x7684;&#x66F4;&#x9AD8;&#x7684;&#x5BC6;&#x5EA6;&#x9635;&#x5217;&#x7684;&#x4E00;&#x79CD;&#x8FD1;&#x4F3C;&#x65B9;&#x6CD5;&#x3002;&#x6A21;&#x62DF;&#x7814;&#x7A76;&#x548C;&#x5B9E;&#x9645;&#x7684;&#x6570;&#x7EC4;&#x5168;&#x606F;&#x6570;&#x636E;&#x7684;&#x5E94;&#x7528;&#x7A0B;&#x5E8F;&#x8BF4;&#x660E;&#x4E86;&#x62DF;&#x8BAE;&#x65B9;&#x6CD5;&#x7684;&#x4F18;&#x70B9;&#x3002;

&#x57FA;&#x4E8E;&#x9635;&#x5217;&#x7684;&#x6BD4;&#x8F83;&#x57FA;&#x56E0;&#x7EC4;&#x6742;&#x4EA4;&#x5206;&#x6790;&#x6570;&#x636E;&#x7684;&#x968F;&#x673A;&#x5206;&#x5272;&#x6A21;&#x5F0F;&#x3002;

Array-based comparative genomic hybridization (array-CGH) is a high throughput, high resolution technique for studying the genetics of cancer. Analysis of array-CGH data typically involves estimation of the underlying chromosome copy numbers from the log fluorescence ratios and segmenting the chromosome into regions with the same copy number at each location. We propose for the analysis of array-CGH data, a new stochastic segmentation model and an associated estimation procedure that has attractive statistical and computational properties. An important benefit of this Bayesian segmentation model is that it yields explicit formulas for posterior means, which can be used to estimate the signal directly without performing segmentation. Other quantities relating to the posterior distribution that are useful for providing confidence assessments of any given segmentation can also be estimated by using our method. We propose an approximation method whose computation time is linear in sequence length which makes our method practically applicable to the new higher density arrays. Simulation studies and applications to real array-CGH data illustrate the advantages of the proposed approach.

Stochastic segmentation models for array-based comparative genomic hybridization data analysis.

Ax&eacute;e sur le tableau d&#39;hybridation g&eacute;nomique comparative (CGH-array) est une technique de haute r&eacute;solution pour l&#39;&eacute;tude de la g&eacute;n&eacute;tique du cancer &agrave; haut d&eacute;bit. Analyse des donn&eacute;es de CGH-array g&eacute;n&eacute;ralement consiste &agrave; estimer le nombre de copies du chromosome sous-jacent les ratios de fluorescence du journal et de segmenter le chromosome en r&eacute;gions avec le m&ecirc;me nombre de copies &agrave; chaque emplacement. Nous proposons pour l&#39;analyse des donn&eacute;es de CGH-array, un nouveau mod&egrave;le de segmentation stochastique et une proc&eacute;dure d&#39;estimation associ&eacute;s qui a des propri&eacute;t&eacute;s attrayantes de statistiques et de calculs. Un avantage important de ce mod&egrave;le de segmentation bay&eacute;sien est qu&#39;elle produit des formules explicites pour les moyens post&eacute;rieures, qui peuvent &ecirc;tre utilis&eacute;s pour estimer le signal directement, sans effectuer de segmentation. Autres grandeurs relatives &agrave; la distribution post&eacute;rieure qui sont utiles pour fournir des &eacute;valuations de confiance d&#39;une segmentation donn&eacute;e peuvent &eacute;galement &ecirc;tre estim&eacute;s &agrave; l&#39;aide de notre m&eacute;thode. Nous proposons une m&eacute;thode d&#39;approximation dont le temps de calcul est lin&eacute;aire en longueur de s&eacute;quence qui rend notre m&eacute;thode pratiquement applicable pour les nouvelles baies de densit&eacute; plus &eacute;lev&eacute;es. Des &eacute;tudes de simulation et applications aux donn&eacute;es CGH-array real illustrent les avantages de l&#39;approche propos&eacute;e.

Mod&egrave;les stochastiques de segmentation pour l&#39;analyse des donn&eacute;es bas&eacute;es sur l&#39;hybridation g&eacute;nomique comparative.

Array-basierte vergleichende genomische Hybridisierung (CGH Array) ist ein hoher Durchsatz, hochaufl&ouml;sende Technik zur Erforschung der Genetik von Krebs. Analyse der Array-CGH Daten umfasst in der Regel eine Sch&auml;tzung der zugrunde liegenden Chromosom Kopie Zahlen aus der Protokoll-Fluoreszenz-Verh&auml;ltnisse und Segmentierung das Chromosom in Regionen mit der gleichen Kopie an jedem Standort. Wir schlagen f&uuml;r die Analyse der Array-CGH-Daten, ein neues Modell der stochastischen Segmentierung und eine zugeordnete Sch&auml;tzung-Prozedur, die attraktive statistische und computational Eigenschaften hat. Ein wichtiger Vorteil dieses Bayes-Segmentierung-Modells ist, dass es explizite Formeln f&uuml;r posterior bedeutet, die verwendet werden k&ouml;nnen ergibt, um das Signal direkt ohne Segmentierung zu sch&auml;tzen. Andere Mengen &uuml;ber die hinteren Verbreitung, die n&uuml;tzlich f&uuml;r die Bereitstellung von Vertrauen Bewertungen alle gegebenen Segmentierung k&ouml;nnen auch gesch&auml;tzt werden, mit unserer Methode. Wir schlagen eine Angleichung-Methode, deren Rechenzeit Sequenzl&auml;nge linear verh&auml;lt, wodurch unsere Methode auf Arrays der neuen h&ouml;herer Dichte praktisch anwendbar. Simulationsstudien und Anwendungen auf echte Array-CGH Daten veranschaulichen die Vorteile der vorgeschlagene Ansatz.

Stochastische Segmentierung Modelle f&uuml;r Array-vergleichende genomische Hybridisierung Datenanalyse.

Array-based ibridazione genomic comparativa (array-CGH) &egrave; un alto throughput, tecnica ad alta risoluzione per studiare la genetica del cancro. Analisi dei dati array-CGH comporta in genere la stima dei numeri di copia cromosomica sottostante da rapporti di fluorescenza del registro e segmentazione del cromosoma in regioni con lo stesso numero di copia in ogni posizione. Proponiamo per l&#39;analisi dei dati array-CGH, un nuovo modello di segmentazione stocastico e una procedura di stima associati che ha interessanti propriet&agrave; statistici e computazionali. Un importante vantaggio di questo modello di segmentazione bayesiano &egrave; che esso produce formule esplicite per mezzi posteriore, che possono essere utilizzati per stimare il segnale direttamente senza eseguire la segmentazione. Altre grandezze relative alla distribuzione posteriore che sono utili per fornire valutazioni di fiducia di qualsiasi dato segmentazione possono essere stimati anche utilizzando il nostro metodo. Vi proponiamo un metodo di approssimazione, cui il tempo di calcolo &egrave; lineare nella lunghezza della sequenza che rende il nostro metodo praticamente applicabile per le matrici di densit&agrave; superiore nuovo. Studi di simulazione e applicazioni a dati reali array-CGH illustrano i vantaggi dell&#39;approccio proposto.

Modelli stocastici di segmentazione per l&#39;analisi dei dati basata su array di ibridazione genomic comparativa.

&#x30A2;&#x30EC;&#x30A4; &#x30FB; &#x30D9;&#x30FC;&#x30B9;&#x306E;&#x6BD4;&#x8F03;&#x30B2;&#x30CE;&#x30E0;&#x30CF;&#x30A4;&#x30D6;&#x30EA;&#x30C0;&#x30A4;&#x30BC;&#x30FC;&#x30B7;&#x30E7;&#x30F3; &#xFF08;&#x30A2;&#x30EC;&#x30A4; CGH) &#x306F;&#x3001;&#x9AD8;&#x30B9;&#x30EB;&#x30FC;&#x30D7;&#x30C3;&#x30C8;&#x3001;&#x764C;&#x306E;&#x907A;&#x4F1D;&#x5B66;&#x3092;&#x52C9;&#x5F37;&#x3057;&#x3066;&#x9AD8;&#x89E3;&#x50CF;&#x5EA6;&#x6280;&#x8853;&#x3002;&#x30A2;&#x30EC;&#x30A4; CGH &#x30C7;&#x30FC;&#x30BF;&#x306E;&#x89E3;&#x6790;&#x306B;&#x306F;&#x3001;&#x901A;&#x5E38;&#x30ED;&#x30B0;&#x86CD;&#x5149;&#x6BD4;&#x3068;&#x67D3;&#x8272;&#x4F53;&#x306E;&#x305D;&#x308C;&#x305E;&#x308C;&#x306E;&#x5834;&#x6240;&#x3067;&#x30B3;&#x30D4;&#x30FC;&#x306E;&#x6570;&#x304C;&#x540C;&#x3058;&#x9818;&#x57DF;&#x306B;&#x5206;&#x5272;&#x304B;&#x3089;&#x57FA;&#x306B;&#x306A;&#x308B;&#x67D3;&#x8272;&#x4F53;&#x306E;&#x30B3;&#x30D4;&#x30FC;&#x6570;&#x306E;&#x63A8;&#x5B9A;&#x304C;&#x542B;&#x307E;&#x308C;&#x307E;&#x3059;&#x3002;&#x30A2;&#x30EC;&#x30A4; CGH &#x30C7;&#x30FC;&#x30BF;&#x306E;&#x5206;&#x6790;&#x3001;&#x65B0;&#x3057;&#x3044;&#x78BA;&#x7387;&#x7684;&#x30BB;&#x30B0;&#x30E1;&#x30F3;&#x30C6;&#x30FC;&#x30B7;&#x30E7;&#x30F3; &#x30E2;&#x30C7;&#x30EB;&#x304A;&#x3088;&#x3073;&#x9B45;&#x529B;&#x7684;&#x306A;&#x7D71;&#x8A08;&#x30FB;&#x8A08;&#x7B97;&#x30D7;&#x30ED;&#x30D1;&#x30C6;&#x30A3;&#x306F;&#x95A2;&#x9023;&#x4ED8;&#x3051;&#x3089;&#x308C;&#x305F;&#x63A8;&#x5B9A;&#x624B;&#x9806;&#x3092;&#x63D0;&#x6848;&#x3059;&#x308B;.&#x3053;&#x306E;&#x30D9;&#x30A4;&#x30BA; &#x30BB;&#x30B0;&#x30E1;&#x30F3;&#x30C6;&#x30FC;&#x30B7;&#x30E7;&#x30F3; &#x30E2;&#x30C7;&#x30EB;&#x306E;&#x91CD;&#x8981;&#x306A;&#x30E1;&#x30EA;&#x30C3;&#x30C8;&#x306F;&#x3001;&#x30BB;&#x30B0;&#x30E1;&#x30F3;&#x30C6;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x3092;&#x5B9F;&#x884C;&#x305B;&#x305A;&#x306B;&#x76F4;&#x63A5;&#x4FE1;&#x53F7;&#x3092;&#x63A8;&#x5B9A;&#x3059;&#x308B;&#x305F;&#x3081;&#x306B;&#x4F7F;&#x7528;&#x3059;&#x308B;&#x3053;&#x3068;&#x304C;&#x3067;&#x304D;&#x307E;&#x3059;&#x5F8C;&#x90E8;&#x624B;&#x6BB5;&#x306E;&#x660E;&#x793A;&#x7684;&#x306A;&#x6570;&#x5F0F;&#x3092;&#x751F;&#x6210;&#x3059;&#x308B;&#x3053;&#x3068;&#x3067;&#x3059;&#x3002;&#x79C1;&#x305F;&#x3061;&#x306E;&#x30E1;&#x30BD;&#x30C3;&#x30C9;&#x3092;&#x4F7F;&#x7528;&#x3057;&#x3066;&#x3001;&#x307E;&#x305F;&#x4EFB;&#x610F;&#x306E;&#x4E0E;&#x3048;&#x3089;&#x308C;&#x305F;&#x30BB;&#x30B0;&#x30E1;&#x30F3;&#x30C6;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x306E;&#x4FE1;&#x983C;&#x8A55;&#x4FA1;&#x3092;&#x63D0;&#x4F9B;&#x3059;&#x308B;&#x305F;&#x3081;&#x306B;&#x6709;&#x7528;&#x306A;&#x4E8B;&#x5F8C;&#x5206;&#x5E03;&#x306B;&#x95A2;&#x3059;&#x308B;&#x4ED6;&#x306E;&#x91CF;&#x3092;&#x63A8;&#x5B9A;&#x3067;&#x304D;&#x307E;&#x3059;&#x3002;&#x305D;&#x306E;&#x8A08;&#x7B97;&#x6642;&#x9593;&#x304C;&#x79C1;&#x305F;&#x3061;&#x306E;&#x30E1;&#x30BD;&#x30C3;&#x30C9;&#x306F;&#x3001;&#x5B9F;&#x8CEA;&#x7684;&#x306B;&#x65B0;&#x3057;&#x3044;&#x9AD8;&#x5BC6;&#x5EA6;&#x30A2;&#x30EC;&#x30A4;&#x306B;&#x9069;&#x7528;&#x306B;&#x30B7;&#x30FC;&#x30B1;&#x30F3;&#x30B9;&#x306E;&#x9577;&#x3055;&#x306E;&#x7DDA;&#x5F62;&#x8FD1;&#x4F3C;&#x6CD5;&#x3092;&#x63D0;&#x6848;&#x3059;&#x308B;.&#x30B7;&#x30DF;&#x30E5;&#x30EC;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x7814;&#x7A76;&#x3068;&#x5FDC;&#x7528;&#x30A2;&#x30EC;&#x30A4; CGH &#x306E;&#x5B9F;&#x30C7;&#x30FC;&#x30BF;&#x306B;&#x63D0;&#x6848;&#x624B;&#x6CD5;&#x306E;&#x5229;&#x70B9;&#x3092;&#x793A;&#x3057;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;

&#x6BD4;&#x8F03;&#x30B2;&#x30CE;&#x30E0;&#x30CF;&#x30A4;&#x30D6;&#x30EA;&#x30C0;&#x30A4;&#x30BC;&#x30FC;&#x30B7;&#x30E7;&#x30F3; &#xFF08;cgh &#x30A2;&#x30EC;&#x30A4; &#x30FB; &#x30D9;&#x30FC;&#x30B9;&#x306E;&#x30C7;&#x30FC;&#x30BF;&#x89E3;&#x6790;&#x306E;&#x305F;&#x3081;&#x306E;&#x78BA;&#x7387;&#x7684;&#x30BB;&#x30B0;&#x30E1;&#x30F3;&#x30C6;&#x30FC;&#x30B7;&#x30E7;&#x30F3; &#x30E2;&#x30C7;&#x30EB;&#x3002;

&#xAD50; &#xBC30;&#xC5F4; &#xAE30;&#xBC18; &#xBE44;&#xAD50; genomic &#xC7A1; (&#xBC30;&#xC5F4; CGH) &#xB192;&#xC740; &#xCC98;&#xB9AC;&#xB7C9;, &#xC554; &#xC720;&#xC804;&#xD559;&#xC744; &#xACF5;&#xBD80;&#xC5D0; &#xB300; &#xD55C; &#xB192;&#xC740; &#xD574;&#xC0C1;&#xB3C4; &#xAE30;&#xBC95; &#xC774;&#xB2E4;. &#xBC30;&#xC5F4; CGH &#xB370;&#xC774;&#xD130;&#xC758; &#xBD84;&#xC11D;&#xC740; &#xC77C;&#xBC18;&#xC801;&#xC73C;&#xB85C; &#xB85C;&#xADF8; &#xD615;&#xAD11; &#xBE44;&#xC728; &#xBC0F; &#xAC01; &#xC704;&#xCE58;&#xC5D0;&#xC11C; &#xB3D9;&#xC77C;&#xD55C; &#xBCF5;&#xC0AC;&#xBCF8; &#xC218; &#xC601;&#xC5ED;&#xC73C;&#xB85C; &#xC5FC;&#xC0C9;&#xCCB4;&#xB97C; &#xC138;&#xADF8;&#xBA3C;&#xD2B8;&#xC5D0;&#xC11C; &#xAE30;&#xBCF8; &#xC5FC;&#xC0C9;&#xCCB4; &#xBCF5;&#xC0AC;&#xBCF8; &#xC218;&#xC758; &#xCD94;&#xC815;&#xC744; &#xD3EC;&#xD568; &#xD55C;&#xB2E4;. &#xC6B0;&#xB9AC;&#xB294; &#xBC30;&#xC5F4; CGH &#xB370;&#xC774;&#xD130;&#xC758; &#xBD84;&#xC11D;, &#xC0C8;&#xB85C;&#xC6B4; &#xD655;&#xB960;&#xC801; &#xC138;&#xBD84;&#xD654; &#xBAA8;&#xB378; &#xBC0F; &#xB9E4;&#xB825;&#xC801;&#xC778; &#xD1B5;&#xACC4; &#xBC0F; &#xC804;&#xC0B0; &#xC18D;&#xC131;&#xC774; &#xAD00;&#xB828;&#xB41C; &#xCD94;&#xC815; &#xC808;&#xCC28;&#xB97C; &#xC81C;&#xC548; &#xD569;&#xB2C8;&#xB2E4;. &#xC774; &#xBCA0;&#xC774;&#xC9C0;&#xC548; &#xC138;&#xBD84;&#xD654; &#xBAA8;&#xB378;&#xC758; &#xC911;&#xC694; &#xD55C; &#xC774;&#xC810;&#xC740; &#xC138;&#xBD84;&#xD654;&#xB97C; &#xC218;&#xD589; &#xD558;&#xC9C0; &#xC54A;&#xACE0; &#xC9C1;&#xC811; &#xC2E0;&#xD638;&#xB97C; &#xCD94;&#xC815; &#xD558;&#xB294; &#xD6C4;&#xBD80; &#xC218;&#xB2E8;&#xC5D0; &#xB300; &#xD55C; &#xBA85;&#xC2DC;&#xC801;&#xC778; &#xC218;&#xC2DD;&#xC744; &#xACB0;&#xACFC;&#xC785;&#xB2C8;&#xB2E4;. &#xC6B0;&#xB9AC;&#xC758; &#xBC29;&#xBC95;&#xC744; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xC5B4;&#xB5A4; &#xC8FC;&#xC5B4;&#xC9C4;&#xB41C; &#xC138;&#xBD84;&#xD654;&#xC758; &#xC2E0;&#xB8B0;&#xB3C4; &#xD3C9;&#xAC00; &#xC81C;&#xACF5; &#xD558;&#xB294; &#xB370; &#xB3C4;&#xC6C0;&#xC774; &#xB418;&#xB294; &#xD6C4;&#xBD80; &#xBC30;&#xD3EC;&#xC640; &#xAD00;&#xB828; &#xB41C; &#xB2E4;&#xB978; &#xC218;&#xB7C9;&#xC744; &#xC608;&#xC0C1;&#xD560; &#xC218; &#xC788;&#xB294;. &#xC6B0;&#xB9AC;&#xB294; &#xADF8; &#xACC4;&#xC0B0; &#xC2DC;&#xAC04;&#xC740; &#xC6B0;&#xB9AC;&#xC758; &#xBA54;&#xC11C;&#xB4DC;&#xB97C; &#xC0C8;&#xB85C;&#xC6B4; &#xB192;&#xC740; &#xBC00;&#xB3C4; &#xBC30;&#xC5F4;&#xC5D0; &#xC2E4;&#xC9C8;&#xC801;&#xC73C;&#xB85C; &#xC801;&#xC6A9; &#xC2DC;&#xD0A4;&#xB294; &#xC2DC;&#xD000;&#xC2A4; &#xAE38;&#xC774;&#xC5D0; &#xC120;&#xD615; &#xADFC;&#xC0AC; &#xBC29;&#xBC95; &#xC81C;&#xC548;. &#xC2DC;&#xBBAC;&#xB808;&#xC774;&#xC158; &#xC5F0;&#xAD6C; &#xBC0F; &#xC751;&#xC6A9; &#xD504;&#xB85C;&#xADF8;&#xB7A8;&#xC744; &#xC2E4;&#xC81C; &#xBC30;&#xC5F4; CGH &#xB370;&#xC774;&#xD130; &#xC81C;&#xC548; &#xB41C; &#xBC29;&#xBC95;&#xC758; &#xC7A5;&#xC810;&#xC740; &#xC124;&#xBA85; &#xD569;&#xB2C8;&#xB2E4;.

&#xBC30;&#xC5F4;&#xC5D0; &#xAE30;&#xCD08;&#xB97C; &#xB454; &#xBE44;&#xAD50; genomic &#xAD50; &#xC7A1; &#xB370;&#xC774;&#xD130; &#xBD84;&#xC11D;&#xC5D0; &#xB300; &#xD55C; &#xD655;&#xB960;&#xC801; &#xC138;&#xBD84;&#xD654; &#xBAA8;&#xB378;.

La hibridaci&oacute;n gen&oacute;mica comparativa basada en matrices (array-CGH) es un alto rendimiento, la t&eacute;cnica de alta resoluci&oacute;n para estudiar la gen&eacute;tica del c&aacute;ncer. An&aacute;lisis de datos array-CGH implica t&iacute;picamente la estimaci&oacute;n de los n&uacute;meros de copia de cromosoma subyacente de los cocientes de la fluorescencia de registro y segmentar el cromosoma en regiones con el mismo n&uacute;mero de copia en cada lugar. Proponemos para el an&aacute;lisis de datos array-CGH, un nuevo modelo de segmentaci&oacute;n estoc&aacute;stico y un procedimiento de estimaci&oacute;n asociado que tiene atractivas propiedades estad&iacute;sticas y computacionales. Un beneficio importante de este modelo de segmentaci&oacute;n Bayesiano es que rinde f&oacute;rmulas expl&iacute;citas para medios posteriores, que pueden utilizarse para estimar la se&ntilde;al directamente sin tener que realizar la segmentaci&oacute;n. Otras cantidades relativas a la distribuci&oacute;n posterior que son &uacute;tiles para proporcionar evaluaciones de confianza de cualquier segmentaci&oacute;n determinada tambi&eacute;n pueden estimarse utilizando nuestro m&eacute;todo. Proponemos un m&eacute;todo de aproximaci&oacute;n, cuyo tiempo de c&oacute;mputo es lineal en la longitud de la secuencia que hace nuestro m&eacute;todo pr&aacute;cticamente aplicable a los nuevos arreglos mayor densidad. Estudios de simulaci&oacute;n y aplicaciones a los datos reales array-CGH ilustran las ventajas del enfoque propuesto.

Modelos estoc&aacute;sticos de segmentaci&oacute;n para el an&aacute;lisis de datos de hibridaci&oacute;n gen&oacute;mica comparativa basada en matrices.

&#x67D3;&#x8272;&#x4F53;&#x7684;&#x6536;&#x76CA;&#x548C;&#x635F;&#x5931;&#x6784;&#x6210;&#x4E00;&#x79CD;&#x91CD;&#x8981;&#x7684;&#x80BF;&#x7624;&#xFF0C;&#x9057;&#x4F20;&#x53D8;&#x5316;&#xFF0C;&#x73B0;&#x5728;&#x53EF;&#x4EE5;&#x4F7F;&#x7528;&#x82AF;&#x7247;&#x57FA;&#x4E8E;&#x6742;&#x4EA4;&#x7684;&#x5B9E;&#x9A8C;&#x6D4B;&#x5B9A;&#x3002;&#x6700;&#x65B0;&#x7EDF;&#x8BA1;&#x6A21;&#x578B;&#x7684; DNA &#x590D;&#x5236;&#x6570;&#x4F30;&#x8BA1;&#x603B;&#x62F7;&#x8D1D;&#x6570;&#xFF0C;&#x5E76;&#x4E0D;&#x533A;&#x5206;&#x4E24;&#x4E2A;&#x7EE7;&#x627F;&#x67D3;&#x8272;&#x4F53;&#x7684;&#x57FA;&#x672C;&#x6570;&#x91CF;&#x3002;&#x8FD9;&#x540E;&#x4E00;&#x79CD;&#x4FE1;&#x606F;&#xFF0C;&#x6709;&#x65F6;&#x4E5F;&#x79F0;&#x4E3A;&#x7236;&#x7279;&#x5B9A;&#x526F;&#x672C;&#x6570;&#x91CF;&#xFF0C;&#x662F;&#x80BF;&#x7624;&#x7684;&#x91CD;&#x8981;&#x7684;&#x8BC6;&#x522B;&#x7279;&#x5F02;&#x6027;&#x7684;&#x653E;&#x5927;&#x548C;&#x5220;&#x9664;&#x3001; &#x91CF;&#x5316;&#x6B63;&#x5E38;&#x7EC6;&#x80DE;&#x6C61;&#x67D3;&#xFF0C;&#x5E76;&#x63D0;&#x4F9B;&#x66F4;&#x5B8C;&#x6574;&#x5206;&#x5B50;&#x8096;&#x50CF;&#x3002;&#x6211;&#x4EEC;&#x63D0;&#x51FA;&#x7236;&#x7279;&#x5B9A; DNA &#x62F7;&#x8D1D;&#x6570;&#x5728;&#x80BF;&#x7624;&#x6837;&#x672C;&#x4E2D;&#x968F;&#x673A;&#x5206;&#x5272;&#x6A21;&#x5F0F;&#x5E76;&#x53D1;&#x51FA;&#x662F;&#x8BA1;&#x7B97;&#x6709;&#x6548;&#x7684;&#x4F30;&#x8BA1;&#x8FC7;&#x7A0B;&#x53EF;&#x4EE5;&#x4ECE;&#x5F53;&#x524D;&#x7684;&#x9AD8;&#x5BC6;&#x5EA6;&#x57FA;&#x56E0;&#x5206;&#x578B;&#x5E73;&#x53F0;&#x5E94;&#x7528;&#x4E8E;&#x6570;&#x636E;&#x3002;&#x62DF;&#x8BAE;&#x7684;&#x65B9;&#x6CD5;&#x4E0D;&#x9700;&#x8981;&#x5339;&#x914D;&#x6B63;&#x5E38;&#x6837;&#x672C;&#xFF0C;&#x5E76;&#x4E14;&#x7236;&#x7279;&#x5B9A;&#x526F;&#x672C;&#x6570;&#x540C;&#x65F6;&#x4F30;&#x8BA1;&#x53EF;&#x4EE5;&#x672A;&#x77E5;&#x7684;&#x57FA;&#x56E0;&#x578B;&#x3002;&#x65B0;&#x65B9;&#x6CD5;&#x7528;&#x4E8E;&#x5206;&#x6790; 223 &#x80F6;&#x8D28;&#x6BCD;&#x7EC6;&#x80DE;&#x7624;&#x6837;&#x54C1;&#x4ECE;&#x764C;&#x75C7;&#x57FA;&#x56E0;&#x7EC4;&#x56FE;&#x8C31; (TCGA) &#x9879;&#x76EE;&#xFF0C;&#x7ED9;&#x4E88;&#x526F;&#x672C;&#x7684;&#x66F4;&#x5168;&#x9762;&#x7684;&#x603B;&#x7ED3;&#x8FD9;&#x4E9B;&#x793A;&#x4F8B;&#x4E2D;&#x7684;&#x4E8B;&#x4EF6;&#x7684;&#x6570;&#x91CF;&#x3002;&#x8FD9;&#x4E9B;&#x793A;&#x4F8B;&#x7684;&#x8BE6;&#x7EC6;&#x7684;&#x4E2A;&#x6848;&#x7814;&#x7A76;&#x63ED;&#x793A;&#x53EF;&#x4EE5;&#x786E;&#x5B9A;&#x590D;&#x5236;&#x4E2D;&#x6027;&#x6742;&#x5408;&#x4E22;&#x5931;&#x7684;&#x548C;&#x8868;&#x5F81;&#x7684;&#x540C;&#x65F6;&#x53D8;&#x5316;&#x7684;&#x4E24;&#x4E2A;&#x7EE7;&#x627F;&#x7684;&#x67D3;&#x8272;&#x4F53;&#x533A;&#x57DF;&#x4ECE;&#x7279;&#x5B9A;&#x7B49;&#x4F4D;&#x57FA;&#x56E0;&#x7684;&#x62F7;&#x8D1D;&#x6570;&#x5206;&#x6790;&#xFF0C;&#x5982;&#x91CF;&#x5316;&#x5206;&#x6570;&#x7684;&#x6536;&#x76CA;&#x548C;&#x635F;&#x5931;&#xFF0C;&#x83B7;&#x5F97;&#x65B0;&#x7684;&#x89C1;&#x89E3;&#x3002;

&#x7236;&#x5728;&#x80BF;&#x7624;&#x4F7F;&#x7528;&#x9AD8;&#x5BC6;&#x5EA6;&#x57FA;&#x56E0;&#x5206;&#x578B;&#x6570;&#x7EC4;&#x4E2D;&#x7279;&#x5B9A; DNA &#x62F7;&#x8D1D;&#x6570;&#x7684;&#x4F30;&#x8BA1;&#x3002;

Chromosomal gains and losses comprise an important type of genetic change in tumors, and can now be assayed using microarray hybridization-based experiments. Most current statistical models for DNA copy number estimate total copy number, which do not distinguish between the underlying quantities of the two inherited chromosomes. This latter information, sometimes called parent specific copy number, is important for identifying allele-specific amplifications and deletions, for quantifying normal cell contamination, and for giving a more complete molecular portrait of the tumor. We propose a stochastic segmentation model for parent-specific DNA copy number in tumor samples, and give an estimation procedure that is computationally efficient and can be applied to data from the current high density genotyping platforms. The proposed method does not require matched normal samples, and can estimate the unknown genotypes simultaneously with the parent specific copy number. The new method is used to analyze 223 glioblastoma samples from the Cancer Genome Atlas (TCGA) project, giving a more comprehensive summary of the copy number events in these samples. Detailed case studies on these samples reveal the additional insights that can be gained from an allele-specific copy number analysis, such as the quantification of fractional gains and losses, the identification of copy neutral loss of heterozygosity, and the characterization of regions of simultaneous changes of both inherited chromosomes.

Estimation of parent specific DNA copy number in tumors using high-density genotyping arrays.

Chromosomiques gains et les pertes constituent une forme importante de la variation g&eacute;n&eacute;tique dans les tumeurs et peuvent maintenant &ecirc;tre analys&eacute;es en utilisant les exp&eacute;riences ax&eacute;es sur l&#39;hybridation de microarray. Plus r&eacute;cents mod&egrave;les statistiques pour ADN copie num&eacute;ro estimation total nombre de copies, qui ne distinguent pas les quantit&eacute;s sous-jacentes des deux chromosomes h&eacute;rit&eacute;s. Cette derni&egrave;re information, parfois appel&eacute;e num&eacute;ro de parent de copie sp&eacute;cifique, est importante pour l&#39;identification des destructions et des amplifications all&egrave;le sp&eacute;cifique, pour quantifier la contamination de la cellule normale et pour donner un portrait mol&eacute;culaire plus compl&egrave;te de la tumeur. Nous proposons un mod&egrave;le stochastique de segmentation pour le nombre de copies de l&#39;ADN de parent sp&eacute;cifique dans des &eacute;chantillons de tumeur et donner une proc&eacute;dure d&#39;estimation qui soit par le calcul efficace et peut &ecirc;tre appliqu&eacute;es aux donn&eacute;es des plates-formes actuelles de g&eacute;notypage haute densit&eacute;. La m&eacute;thode propos&eacute;e ne n&eacute;cessite pas &eacute;gal&eacute; les &eacute;chantillons normaux et peut estimer les g&eacute;notypes inconnus en m&ecirc;me temps avec le nombre de copies sp&eacute;cifiques de parent. La nouvelle m&eacute;thode est utilis&eacute;e pour analyser des &eacute;chantillons de glioblastome 223 du projet Cancer Genome Atlas (TCGA), donnant un r&eacute;sum&eacute; plus complet de l&#39;exemplaire num&eacute;ros &eacute;v&eacute;nements dans ces &eacute;chantillons. Des &eacute;tudes de cas d&eacute;taill&eacute;es sur ces &eacute;chantillons r&eacute;v&egrave;lent les id&eacute;es suppl&eacute;mentaires qui peuvent &ecirc;tre tir&eacute;es d&#39;une analyse nombre de copie de l&#39;all&egrave;le sp&eacute;cifique, tels que la quantification des fractions gains et pertes, l&#39;identification de copie neutres perte d&#39;h&eacute;t&eacute;rozygotie et la caract&eacute;risation des r&eacute;gions des variations simultan&eacute;es de deux chromosomes h&eacute;rit&eacute;s.

Estimation du nombre de copie ADN sp&eacute;cifique de parent dans les tumeurs &agrave; l&#39;aide de tableaux de g&eacute;notypage haute densit&eacute;.

Chromosomalen Gewinne und Verluste umfassen eine wichtige Art von genetischen Ver&auml;nderungen in Tumoren und k&ouml;nnen jetzt mithilfe von Microarray-Hybridisierung-basierten Experimente normalisiert werden. Aktuelle statistische Modelle f&uuml;r DNA Kopie Sch&auml;tzung insgesamt Kopie Nummer, die nicht zwischen den zugrunde liegenden Mengen der beiden geerbten Chromosomen unterscheiden. Diese letztere Informationen, manchmal genannt Eltern bestimmte Kopienzahl, ist wichtig zur Identifizierung Allel-spezifische Verst&auml;rkungen und L&ouml;schungen zur Quantifizierung von normaler Zellen Kontamination und daf&uuml;r ein vollst&auml;ndigeres Molekulare Portr&auml;t des Tumors. Wir schlagen eine stochastische Segmentierung-Modell f&uuml;r &uuml;bergeordnete-spezifische DNA-Kopienzahl in Tumor Proben, und geben eine Sch&auml;tzung-Prozedur, die rechnerisch effizient ist und kann auf Daten aus der aktuellen high-Density Genotypisierungen Plattformen angewendet werden. Die vorgeschlagene Methode erfordert keine normale Proben abgestimmt und kann die unbekannten Genotypen gleichzeitig mit der &uuml;bergeordneten bestimmte Kopienzahl sch&auml;tzen. Die neue Methode wird verwendet, um 223 Glioblastom-Proben aus dem Projekt Cancer Genome Atlas (TCGA) analysieren geben eine umfassende Zusammenfassung der Kopie Zahl Ereignisse in diesen Beispielen. Detaillierte Fallstudien &uuml;ber diese Beispiele zeigen die zus&auml;tzlichen Einsichten, die aus einer Anzahl Allel-spezifische Kopie-Analyse, wie die Quantifizierung der gebrochene Gewinne und Verluste, die Identifizierung der Kopie neutrale Verlust der Heterozygotie und die Charakterisierung der Regionen gleichzeitigen &Auml;nderungen der beiden geerbten Chromosomen gewonnen werden k&ouml;nnen.

Absch&auml;tzung der &uuml;bergeordneten spezifische DNA kopieren in Tumoren, die Verwendung von High-Density Genotypisierungen Arrays.

Cromosomiche utili e le perdite costituiscono un importante tipo di modifica genetica nei tumori e ora possono essere analizzate mediante ibridazione basato su esperimenti di microarray. I modelli statistici pi&ugrave; correnti per DNA copia numero numero di copia totale stima, che non fanno distinzione tra la quantit&agrave; di sottostante dei due cromosomi ereditati. Questa informazione quest&#39;ultima, a volte chiamata numero di copia specifica del genitore, &egrave; importante per identificare delezioni e amplificazioni di allele-specific, per quantificare la contaminazione delle cellule normali e per dare un pi&ugrave; completo ritratto molecolare del tumore. Proponiamo un modello stocastico segmentazione per numero di copie di DNA padre specifici in campioni di tumore e dare una procedura di stima &egrave; computazionalmente efficiente e pu&ograve; essere applicati ai dati dalle attuali piattaforme di genotipizzazione ad alta densit&agrave;. Il metodo proposto non richiede corrispondenza campioni normali e pu&ograve; stimare i genotipi sconosciuti simultaneamente con il numero di copia specifica del genitore. Il nuovo metodo &egrave; usato per analizzare campioni di glioblastoma 223 dal progetto Cancer Genome Atlas (TCGA), dando un sommario pi&ugrave; completo della copia numeri eventi in questi campioni. Studi dettagliati del caso su questi campioni di rivelare le intuizioni supplementare che possono essere acquisite da un&#39;analisi numero copia allele-specifici, quali la quantificazione del frazionari guadagni e perdite, l&#39;identificazione della copia neutro perdita di eterozigosi e la caratterizzazione delle regioni delle modifiche simultanee dei due cromosomi ereditati.

Stima del genitore specifico DNA copia numero nei tumori utilizzando matrici ad alta densit&agrave; di genotipizzazione.

&#x67D3;&#x8272;&#x4F53;&#x306E;&#x5229;&#x5F97;&#x305D;&#x3057;&#x3066;&#x640D;&#x5931;&#x306E;&#x816B;&#x760D;&#x306E;&#x907A;&#x4F1D;&#x7684;&#x5909;&#x5316;&#x306E;&#x91CD;&#x8981;&#x306A;&#x30BF;&#x30A4;&#x30D7;&#x3092;&#x69CB;&#x6210;&#x3057;&#x3066;&#x4ECA;&#x306E;&#x30DE;&#x30A4;&#x30AF;&#x30ED; &#x30A2;&#x30EC;&#x30A4;&#x306E;&#x4EA4;&#x914D;&#x5B9F;&#x9A13;&#x3092;&#x4F7F;&#x7528;&#x3057;&#x3066;&#x8A66;&#x91D1;&#x3059;&#x308B;&#x3053;&#x3068;&#x304C;&#x3067;&#x304D;&#x307E;&#x3059;&#x3002;2 &#x3064;&#x306E;&#x7D99;&#x627F;&#x3055;&#x308C;&#x305F;&#x67D3;&#x8272;&#x4F53;&#x306E;&#x57FA;&#x306B;&#x306A;&#x3063;&#x3066;&#x3044;&#x308B;&#x6570;&#x91CF;&#x306E;&#x9593;&#x3092;&#x533A;&#x5225;&#x3057;&#x306A;&#x3044;&#x307B;&#x3068;&#x3093;&#x3069;&#x306E;&#x73FE;&#x5728;&#x306E;&#x7D71;&#x8A08;&#x30E2;&#x30C7;&#x30EB;&#x306E; DNA &#x30B3;&#x30D4;&#x30FC;&#x6570;&#x63A8;&#x5B9A;&#x7DCF;&#x30B3;&#x30D4;&#x30FC;&#x6570;&#x3002;&#x6642;&#x3005; &#x89AA;&#x7279;&#x5B9A;&#x306E;&#x30B3;&#x30D4;&#x30FC;&#x756A;&#x53F7;&#x3068;&#x547C;&#x3070;&#x308C;&#x308B;&#x3053;&#x306E;&#x5F8C;&#x8005;&#x306E;&#x60C5;&#x5831;&#x306F;&#x3001;&#x5BFE;&#x7ACB;&#x907A;&#x4F1D;&#x5B50;&#x7279;&#x5B9A;&#x306E;&#x62E1;&#x5927;&#x304A;&#x3088;&#x3073;&#x524A;&#x9664;&#x3092;&#x8B58;&#x5225;&#x3059;&#x308B;&#x305F;&#x3081;&#x3001;&#x6B63;&#x5E38;&#x306A;&#x7D30;&#x80DE;&#x6C5A;&#x67D3;&#x306E;&#x5B9A;&#x91CF;&#x5316;&#x304A;&#x3088;&#x3073;&#x816B;&#x760D;&#x306E;&#x3088;&#x308A;&#x5B8C;&#x5168;&#x306A;&#x5206;&#x5B50;&#x8096;&#x50CF;&#x753B;&#x3092;&#x4E0E;&#x3048;&#x308B;&#x305F;&#x3081;&#x306B;&#x91CD;&#x8981;&#x3067;&#x3059;&#x3002;&#x6211;&#x3005; &#x306F;&#x3001;&#x89AA;&#x56FA;&#x6709; DNA &#x30B3;&#x30D4;&#x30FC;&#x6570;&#x816B;&#x760D;&#x30B5;&#x30F3;&#x30D7;&#x30EB;&#x306E;&#x78BA;&#x7387;&#x306E;&#x30BB;&#x30B0;&#x30E1;&#x30F3;&#x30C6;&#x30FC;&#x30B7;&#x30E7;&#x30F3; &#x30E2;&#x30C7;&#x30EB;&#x3092;&#x63D0;&#x6848;&#x3057;&#x3066;&#x8A08;&#x7B97;&#x4E0A;&#x52B9;&#x7387;&#x7684;&#x3067;&#x3059;&#x63A8;&#x5B9A;&#x624B;&#x9806;&#x3092;&#x4E0E;&#x3048;&#x308B;&#x3057;&#x3001;&#x30C7;&#x30FC;&#x30BF;&#x3092;&#x73FE;&#x5728;&#x306E;&#x9AD8;&#x5BC6;&#x5EA6;&#x306E;&#x30B8;&#x30A7;&#x30CE;&#x30BF;&#x30A4;&#x30D4;&#x30F3;&#x30B0; &#x30D7;&#x30E9;&#x30C3;&#x30C8;&#x30D5;&#x30A9;&#x30FC;&#x30E0;&#x304B;&#x3089;&#x9069;&#x7528;&#x3067;&#x304D;&#x307E;&#x3059;&#x3002;&#x63D0;&#x6848;&#x624B;&#x6CD5;&#x306F;&#x901A;&#x5E38;&#x306E;&#x30B5;&#x30F3;&#x30D7;&#x30EB;&#x306E;&#x4E00;&#x81F4;&#x3092;&#x5FC5;&#x8981;&#x3068;&#x3057;&#x306A;&#x3044;&#x3057;&#x3001;&#x672A;&#x77E5;&#x306E;&#x907A;&#x4F1D;&#x5B50;&#x578B;&#x306F;&#x3001;&#x540C;&#x6642;&#x306B;&#x89AA;&#x306E;&#x7279;&#x5B9A;&#x306E;&#x30B3;&#x30D4;&#x30FC;&#x6570;&#x3092;&#x898B;&#x7A4D;&#x3082;&#x308B;&#x3053;&#x3068;&#x304C;&#x3067;&#x304D;&#x307E;&#x3059;&#x3002;&#x65B0;&#x3057;&#x3044;&#x30E1;&#x30BD;&#x30C3;&#x30C9;&#x306F;&#x3001;&#x30B3;&#x30D4;&#x30FC;&#x306E;&#x3088;&#x308A;&#x5305;&#x62EC;&#x7684;&#x306A;&#x6982;&#x8981;&#x306E;&#x30A4;&#x30D9;&#x30F3;&#x30C8;&#x6570;&#x3092;&#x4E0E;&#x3048;&#x308B;&#x3053;&#x308C;&#x3089;&#x306E;&#x30B5;&#x30F3;&#x30D7;&#x30EB;&#x3067;&#x304C;&#x3093;&#x30B2;&#x30CE;&#x30E0; &#x30A2;&#x30C8;&#x30E9;&#x30B9; (TCGA) &#x30D7;&#x30ED;&#x30B8;&#x30A7;&#x30AF;&#x30C8;&#x304B;&#x3089; 223 &#x81A0;&#x82BD;&#x816B;&#x30B5;&#x30F3;&#x30D7;&#x30EB;&#x3092;&#x5206;&#x6790;&#x306B;&#x4F7F;&#x7528;&#x3055;&#x308C;&#x307E;&#x3059;&#x3002;&#x3053;&#x308C;&#x3089;&#x306E;&#x30B5;&#x30F3;&#x30D7;&#x30EB;&#x306B;&#x95A2;&#x3059;&#x308B;&#x8A73;&#x7D30;&#x306A;&#x30B1;&#x30FC;&#x30B9;&#x30B9;&#x30BF;&#x30C7;&#x30A3;&#x3067;&#x306F;&#x30D8;&#x30C6;&#x30ED;&#x63A5;&#x5408;&#x306E;&#x30B3;&#x30D4;&#x30FC;&#x306E;&#x4E2D;&#x7ACB;&#x7684;&#x306A;&#x640D;&#x5931;&#x3068;&#x540C;&#x6642;&#x306B;&#x5909;&#x66F4;&#x4E21;&#x65B9;&#x7D99;&#x627F;&#x3055;&#x308C;&#x305F;&#x67D3;&#x8272;&#x4F53;&#x306E;&#x9818;&#x57DF;&#x306E;&#x30AD;&#x30E3;&#x30E9;&#x30AF;&#x30BF;&#x30EA;&#x30BC;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x306E;&#x540C;&#x5B9A;&#x3001;&#x5C0F;&#x6570;&#x306E;&#x5229;&#x76CA;/&#x640D;&#x5931;&#x306E;&#x5B9A;&#x91CF;&#x5316;&#x306A;&#x3069;&#x7279;&#x5B9A;&#x306E;&#x5BFE;&#x7ACB;&#x907A;&#x4F1D;&#x5B50;&#x306E;&#x30B3;&#x30D4;&#x30FC;&#x6570;&#x5206;&#x6790;&#x304B;&#x3089;&#x5F97;&#x3089;&#x308C;&#x308B;&#x8FFD;&#x52A0;&#x306E;&#x6D1E;&#x5BDF;&#x529B;&#x3092;&#x660E;&#x3089;&#x304B;&#x306B;&#x3057;&#x307E;&#x3059;&#x3002;

&#x9AD8;&#x5BC6;&#x5EA6;&#x306E;&#x30B8;&#x30A7;&#x30CE;&#x30BF;&#x30A4;&#x30D4;&#x30F3;&#x30B0; &#x30A2;&#x30EC;&#x30A4;&#x3092;&#x7528;&#x3044;&#x305F;&#x816B;&#x760D;&#x5185;&#x306E;&#x89AA;&#x7279;&#x5B9A; DNA &#x30B3;&#x30D4;&#x30FC;&#x6570;&#x306E;&#x63A8;&#x5B9A;

&#xC5FC;&#xC0C9;&#xCCB4; &#xC190;&#xC775; &#xC885;&#xC591;, &#xC720;&#xC804; &#xBCC0;&#xACBD;&#xC758; &#xC911;&#xC694; &#xD55C; &#xC885;&#xB958;&#xB97C; &#xAD6C;&#xC131; &#xD558; &#xACE0; &#xC9C0;&#xAE08; microarray &#xAD50; &#xC7A1;&#xC5D0; &#xAE30;&#xCD08;&#xB97C; &#xB454; &#xC2E4;&#xD5D8;&#xC744; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xBD84;&#xC11D; &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4;. DNA&#xC5D0; &#xB300; &#xD55C; &#xCD5C;&#xC2E0; &#xD1B5;&#xACC4; &#xBAA8;&#xB378; &#xBCF5;&#xC0AC; &#xBC88;&#xD638; &#xC608;&#xC0C1; &#xCD1D; &#xBCF5;&#xC0AC;&#xBCF8; &#xC218;&#xB294; &#xB450; &#xAC1C;&#xC758; &#xC0C1;&#xC18D; &#xB41C; &#xC5FC;&#xC0C9;&#xCCB4;&#xC758; &#xAE30;&#xBCF8; &#xC218;&#xB7C9;&#xC744; &#xAD6C;&#xBD84; &#xD558;&#xC9C0; &#xC54A;&#xC2B5;&#xB2C8;&#xB2E4;. &#xBD80;&#xBAA8; &#xD2B9;&#xC815; &#xBCF5;&#xC0AC;&#xBCF8; &#xBC88;&#xD638; &#xB77C;&#xACE0;&#xB3C4;&#xC774; &#xD6C4;&#xC790;&#xC758; &#xC815;&#xBCF4;&#xB294; &#xB300;&#xB9BD; &#xC720;&#xC804;&#xC790; &#xD2B9;&#xC815; &#xD655;&#xB300; &#xBC0F; &#xC0AD;&#xC81C; &#xD655;&#xC778;, &#xC815;&#xC0C1;&#xC801;&#xC778; &#xC138;&#xD3EC; &#xC624;&#xC5FC; &#xCE21;&#xC815; &#xBC0F; &#xC885;&#xC591;&#xC758; &#xB354; &#xC644;&#xC804; &#xD55C; &#xBD84;&#xC790; &#xCD08;&#xC0C1;&#xD654;&#xB97C; &#xC8FC;&#xB294; &#xAC83;&#xC774; &#xC911;&#xC694; &#xD569;&#xB2C8;&#xB2E4;. &#xC6B0;&#xB9AC;&#xB294; &#xBD80;&#xBAA8; &#xD2B9;&#xC815; DNA &#xBCF5;&#xC0AC; &#xBC88;&#xD638; &#xC885;&#xC591; &#xC0D8;&#xD50C;&#xC5D0; &#xB300; &#xD55C; &#xD655;&#xB960;&#xC801; &#xC138;&#xBD84;&#xD654; &#xBAA8;&#xB378;&#xC744; &#xC81C;&#xC548; &#xD558; &#xACE0; &#xACC4;&#xC0B0; &#xD6A8;&#xC728;&#xC801; &#xCD94;&#xC815; &#xC808;&#xCC28; &#xBD80;&#xC5EC; &#xD604;&#xC7AC; &#xACE0;&#xBC00;&#xB3C4; &#xC720;&#xC804;&#xD615; &#xD50C;&#xB7AB;&#xD3FC;&#xC5D0;&#xC11C; &#xB370;&#xC774;&#xD130;&#xC5D0; &#xC801;&#xC6A9;&#xD560; &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4;. &#xC81C;&#xC548; &#xB41C; &#xBC29;&#xBC95; &#xC77C;&#xBC18; &#xC0D8;&#xD50C; &#xC77C;&#xCE58; &#xD558;&#xC9C0; &#xC54A;&#xC544;&#xB3C4; &#xBC0F; &#xBD80;&#xBAA8; &#xD2B9;&#xC815; &#xBCF5;&#xC0AC;&#xBCF8; &#xC218;&#xC640; &#xB3D9;&#xC2DC;&#xC5D0; &#xC54C; &#xC218; &#xC5C6;&#xB294; genotypes&#xC744; &#xC608;&#xCE21;&#xD560; &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4;. &#xC0C8; &#xBA54;&#xC11C;&#xB4DC;&#xB294;&#xC774; &#xC608;&#xC81C;&#xC5D0; &#xC788;&#xB294; &#xBCF5;&#xC0AC;&#xBCF8;&#xC758; &#xC880; &#xB354; &#xD3EC;&#xAD04;&#xC801;&#xC778; &#xC694;&#xC57D; &#xBC88;&#xD638; &#xC774;&#xBCA4;&#xD2B8;&#xB97C; &#xC8FC;&#xB294; &#xC554; &#xAC8C;&#xB188; &#xC544;&#xD2C0;&#xB77C;&#xC2A4; (TCGA) &#xD504;&#xB85C;&#xC81D;&#xD2B8;&#xC5D0;&#xC11C; 223 glioblastoma &#xC0D8;&#xD50C;&#xC744; &#xBD84;&#xC11D; &#xD558;&#xB294;. &#xC774;&#xB7EC;&#xD55C; &#xC0D8;&#xD50C;&#xC758; &#xC0C1;&#xC138;&#xD55C; &#xC0AC;&#xB840; &#xC5F0;&#xAD6C; &#xACF5;&#xAC1C; heterozygosity, &#xBCF5;&#xC0AC; &#xC911;&#xB9BD; &#xC190;&#xC2E4; &#xBC0F; &#xB458; &#xB2E4; &#xC0C1;&#xC18D; &#xB41C; &#xC5FC;&#xC0C9;&#xCCB4;&#xC758; &#xB3D9;&#xC2DC; &#xBCC0;&#xD654; &#xC9C0;&#xC5ED; &#xD2B9;&#xC131;&#xD654;&#xC758; &#xC2DD;&#xBCC4; &#xB300;&#xB9BD; &#xC720;&#xC804;&#xC790; &#xD2B9;&#xC815; &#xBCF5;&#xC0AC;&#xBCF8; &#xBC88;&#xD638; &#xBD84;&#xC11D;, &#xC18C;&#xC218; &#xC190;&#xC775;&#xC758; &#xBD80; &#xB7C9; &#xB4F1;&#xC5D0;&#xC11C; &#xC5BB;&#xC744; &#xC218; &#xC788;&#xB294; &#xCD94;&#xAC00;&#xC801;&#xC778; &#xD1B5;&#xCC30;&#xB825;.

&#xBD80;&#xBAA8; &#xD2B9;&#xC815; DNA&#xC758; &#xCD94;&#xC815; &#xACE0;&#xBC00;&#xB3C4; &#xC720;&#xC804;&#xD615; &#xBC30;&#xC5F4;&#xC744; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xC885;&#xC591;&#xC5D0; &#xBC88;&#xD638;&#xB97C; &#xBCF5;&#xC0AC; &#xD569;&#xB2C8;&#xB2E4;.

Las p&eacute;rdidas y ganancias cromos&oacute;micas constituyen un tipo importante de cambio gen&eacute;tico en tumores y ahora pueden ensayarse mediante experimentos basados en hibridaci&oacute;n de microarrays. M&aacute;s actuales modelos estad&iacute;sticos para ADN copia n&uacute;mero estimado total n&uacute;mero de copia, que no distinguen entre las cantidades subyacentes de los dos cromosomas heredados. Esta &uacute;ltima informaci&oacute;n, a veces llamada el n&uacute;mero de copias espec&iacute;ficas de padres, es importante para identificar deleciones y amplificaciones de alelo-espec&iacute;fica, para la cuantificaci&oacute;n de la contaminaci&oacute;n de c&eacute;lulas normales y para dar un retrato molecular m&aacute;s completo del tumor. Proponemos un modelo estoc&aacute;stico de segmentaci&oacute;n para el n&uacute;mero de copias de ADN de padres espec&iacute;ficos en muestras tumorales y dar un procedimiento de estimaci&oacute;n que es computacionalmente eficiente y puede ser aplicados a los datos de las plataformas actuales de Genotipado de alta densidad. El m&eacute;todo propuesto no requiere emparejado muestras normales y puede estimar los genotipos desconocidos simult&aacute;neamente con el n&uacute;mero de copia espec&iacute;fica del padre. El nuevo m&eacute;todo se utiliza para analizar muestras de glioblastoma 223 del proyecto Cancer Genome Atlas (TCGA), dando un resumen m&aacute;s completo de la copia n&uacute;meros eventos en estas muestras. Estudios de caso detallados en estas muestras revelan las ideas adicionales que pueden obtenerse de un an&aacute;lisis de n&uacute;mero de copia del alelo-espec&iacute;fica, como la cuantificaci&oacute;n de p&eacute;rdidas y ganancias fraccionales la identificaci&oacute;n de la p&eacute;rdida neutro de copia del heterocigoto y la caracterizaci&oacute;n de las regiones de cambios simult&aacute;neos de ambos cromosomas heredados.

Estimaci&oacute;n de n&uacute;mero de copia de ADN espec&iacute;fico de padres en tumores con arreglos de discos de alta densidad de genotipificaci&oacute;n.

(&#x672C;&#x56FD;&#x4E00;&#x822C;&#x4E8B;&#x52A1;&#xFF09; &#x4E0B;&#x4E00;&#x4EE3;&#x6D4B;&#x5E8F;&#x6280;&#x672F;&#x5DF2;&#x76F8;&#x5F53;&#x6210;&#x719F;&#x63A8;&#x51FA;&#x4EE5;&#x6765;&#xFF0C;&#x5DF2;&#x88AB;&#x91CD;&#x70B9;&#x653E;&#x5728;&#x5F00;&#x53D1;&#x590D;&#x6742;&#x7684;&#x5206;&#x6790;&#x5DE5;&#x5177;&#xFF0C;&#x4EE5;&#x4FBF;&#x5904;&#x7406;&#x7684;&#x79EF;&#x805A;&#x7684;&#x6570;&#x636E;&#x91CF;&#x3002;&#x67D3;&#x8272;&#x8D28;&#x6C89;&#x6DC0;&#x6D4B;&#x5E8F; (&#x82AF;&#x7247;-seq)&#xFF0C;&#x4E3B;&#x8981;&#x7684;&#x5E94;&#x7528;&#x7A0B;&#x5E8F;&#x7684;&#x6B4C;&#x8C23;&#x662F;&#x5E7F;&#x6CDB;&#x91C7;&#x7528;&#x7684;&#x6280;&#x672F;&#xFF0C;&#x7528;&#x4E8E;&#x68C0;&#x67E5; DNA-&#x86CB;&#x767D;&#x8D28;&#x76F8;&#x4E92;&#x4F5C;&#x7528;&#x548C;&#x4E00;&#x822C;&#x7528;&#x6765;&#x8C03;&#x67E5;&#x7684;&#x5F25;&#x6F2B;&#x6027;&#x7EC4;&#x86CB;&#x767D;&#x6807;&#x8BB0;&#x7684;&#x8868;&#x89C2;&#x9057;&#x4F20;&#x7B7E;&#x540D;&#x3002;&#x8FD9;&#x4E9B;&#x6570;&#x636E;&#x96C6;&#x5728;&#x5927;&#x9762;&#x79EF;&#x4F7F;&#x7528;&#xFF0C;&#x4F7F;&#x5B83;&#x4EEC;&#x6781;&#x96BE;&#x5B9A;&#x4E49;&#x5177;&#x6709;&#x4F17;&#x6240;&#x5468;&#x77E5;&#x9AD8;&#x65B9;&#x5DEE;&#x548C;&#x5FAE;&#x5999;&#x7EA7;&#x522B;&#x7684;&#x6D53;&#x7F29;&#x3002;&#x82AF;&#x7247; seq &#x6570;&#x636E;&#x5206;&#x6790;&#x7684;&#x4E00;&#x4E9B;&#x6210;&#x529F;&#xFF0C;&#x4F46;&#x6709;&#x6325;&#x4E4B;&#x4E0D;&#x53BB;&#x9650;&#x5236;&#x4F7F;&#x7528;&#x57FA;&#x4E8E; Windows &#x7684;&#x3001; &#x542F;&#x53D1;&#x5F0F;&#x6A21;&#x578B;&#x548C;&#x6709;&#x9650;&#x72B6;&#x6001;&#x9690;&#x9A6C;&#x5C14;&#x79D1;&#x592B;&#x6A21;&#x578B; (HMMs)&#x3002;&#x4E3A;&#x4E86;&#x63D0;&#x9AD8;&#x68C0;&#x6D4B;&#x7684;&#x4E30;&#x5BCC;&#x5E7F;&#x5927;&#x5730;&#x533A;&#x7684;&#x80FD;&#x529B;&#xFF0C;&#x6211;&#x4EEC;&#x5236;&#x5B9A;&#x4E00;&#x4E2A;&#x968F;&#x673A;&#x7684;&#x8D1D;&#x53F6;&#x65AF;&#x53D8;&#x70B9; (BCP) &#x65B9;&#x6CD5;&#xFF0C;&#x89E3;&#x51B3;&#x4E86;&#x4E00;&#x4E9B;&#x672A;&#x89E3;&#x51B3;&#x7684;&#x95EE;&#x9898;&#x3002;BCP &#x4F7F;&#x5F97;&#x4F7F;&#x7528;&#x65E0;&#x9650;&#x72B6;&#x6001;&#x9A6C;&#x6C0F;&#x901A;&#x8FC7;&#x83B7;&#x5F97;&#x663E;&#x5F0F;&#x516C;&#x5F0F;&#x540E;&#x624B;&#x6BB5;&#x7684;&#x6700;&#x65B0;&#x8FDB;&#x5C55;&#x7684;&#x8BFB;&#x53D6;&#x5BC6;&#x5EA6;&#x3002;&#x8FD9;&#x4E9B;&#x540E;&#x624B;&#x6BB5;&#x53EF;&#x4EE5;&#x7528;&#x4E8E;&#x5BF9;&#x57FA;&#x56E0;&#x7EC4;&#x5206;&#x6210;&#x6D53;&#x7F29;&#x548C; unenriched &#x7684;&#x7247;&#x6BB5;&#xFF0C;&#x8FDB;&#x884C;&#x5206;&#x7C7B;&#xFF0C;&#x4E60;&#x60EF;&#x4E0A;&#x505A;&#xFF0C;&#x6216;&#x5BA1;&#x67E5;&#x5BF9;&#x4E8E;&#x66F4;&#x8BE6;&#x7EC6;&#x7684;&#x5173;&#x7CFB;&#xFF0C;&#x56E0;&#x4E3A;&#x5E95;&#x5C42;&#x7684; subpeaks &#x662F;&#x4FDD;&#x7559;&#xFF0C;&#x800C;&#x4E0D;&#x662F;&#x7B80;&#x5316;&#x4E3A;&#x4E8C;&#x5143;&#x5206;&#x7C7B;&#x3002;BCP &#x6267;&#x884C;&#x4E0D;&#x540C;&#x540E;&#x624B;&#x6BB5;&#x4E4B;&#x95F4;&#x7684;&#x6240;&#x6709;&#x53EF;&#x80FD;&#x7684;&#x53D8;&#x5316;&#x70B9;&#x9644;&#x8FD1;&#x7A77;&#x4E3E;&#x641C;&#x7D22;&#x5728;&#x9AD8;&#x5206;&#x8FA8;&#x7387;&#xFF0C;&#x6700;&#x5927;&#x9650;&#x5EA6;&#x5730;&#x4E3B;&#x4F53;&#x6027;&#x7684;&#x7A97;&#x53E3;&#x7684;&#x5927;&#x5C0F;&#x548C;&#x8BA1;&#x7B97;&#x6548;&#x7387;&#x9AD8;&#xFF0C;&#x7531;&#x4E8E;&#x63D0;&#x901F;&#x7B97;&#x6CD5;&#x548C;&#x5B83;&#x91C7;&#x7528;&#x663E;&#x5F0F;&#x516C;&#x5F0F;&#x3002;&#x5728;&#x6CA1;&#x6709;&#x65E2;&#x5B9A;&quot;&#x9EC4;&#x91D1;&#x6807;&#x51C6;&quot;&#x7684;&#x5F25;&#x6F2B;&#x6027;&#x7EC4;&#x86CB;&#x767D;&#x6807;&#x8BB0;&#x6D53;&#x7F29;&#xFF0C;&#x6211;&#x4EEC;&#x8BC1;&#x5B9E;&#x4E86; BCP &#x7684;&#x5C9B;&#x5C7F;&#x68C0;&#x6D4B;&#x51C6;&#x786E;&#x6027;&#x548C;&#x53EF;&#x91CD;&#x590D;&#x6027;&#x4F7F;&#x7528;&#x5404;&#x79CD;&#x5F62;&#x5F0F;&#x7684;&#x5B9E;&#x8BC1;&#x8BC1;&#x636E;&#x3002;&#x6211;&#x4EEC;&#x8868;&#x660E; BCP &#x5C24;&#x5176;&#x9002;&#x5408;&#x6F2B;&#x7EC4;&#x86CB;&#x767D;&#x82AF;&#x7247; seq &#x6570;&#x636E;&#x7684;&#x5206;&#x6790;&#xFF0C;&#x4F46;&#x4E5F;&#x6709;&#x6548;&#x5730;&#x5206;&#x6790;&#x6613;&#x8D1D;&#x8F6C;&#x5F55;&#x56E0;&#x5B50;&#x82AF;&#x7247;&#x6570;&#x636E;&#x96C6;&#xFF0C;&#x4F7F;&#x5B83;&#x5E7F;&#x6CDB;&#x9002;&#x7528;&#x4E8E;&#x8BB8;&#x591A;&#x5B9E;&#x9A8C;&#x7C7B;&#x578B;&#x3002;

&#x5168;&#x57FA;&#x56E0;&#x7EC4;&#x7684; DNA-&#x86CB;&#x767D;&#x8D28;&#x7ED1;&#x5B9A;&#x548C;&#x7EC4;&#x86CB;&#x767D;&#x4FEE;&#x9970;&#x4E0E;&#x82AF;&#x7247; seq &#x6570;&#x636E;&#x7684;&#x8D1D;&#x53F6;&#x65AF;&#x53D8;&#x5316;&#x70B9;&#x6CD5;&#x7684;&#x672C;&#x5730;&#x5316;&#x3002;

Next-generation sequencing (NGS) technologies have matured considerably since their introduction and a focus has been placed on developing sophisticated analytical tools to deal with the amassing volumes of data. Chromatin immunoprecipitation sequencing (ChIP-seq), a major application of NGS, is a widely adopted technique for examining protein-DNA interactions and is commonly used to investigate epigenetic signatures of diffuse histone marks. These datasets have notoriously high variance and subtle levels of enrichment across large expanses, making them exceedingly difficult to define. Windows-based, heuristic models and finite-state hidden Markov models (HMMs) have been used with some success in analyzing ChIP-seq data but with lingering limitations. To improve the ability to detect broad regions of enrichment, we developed a stochastic Bayesian Change-Point (BCP) method, which addresses some of these unresolved issues. BCP makes use of recent advances in infinite-state HMMs by obtaining explicit formulas for posterior means of read densities. These posterior means can be used to categorize the genome into enriched and unenriched segments, as is customarily done, or examined for more detailed relationships since the underlying subpeaks are preserved rather than simplified into a binary classification. BCP performs a near exhaustive search of all possible change points between different posterior means at high-resolution to minimize the subjectivity of window sizes and is computationally efficient, due to a speed-up algorithm and the explicit formulas it employs. In the absence of a well-established "gold standard" for diffuse histone mark enrichment, we corroborated BCP's island detection accuracy and reproducibility using various forms of empirical evidence. We show that BCP is especially suited for analysis of diffuse histone ChIP-seq data but also effective in analyzing punctate transcription factor ChIP datasets, making it widely applicable for numerous experiment types.

Genome-wide localization of protein-DNA binding and histone modification by a Bayesian change-point method with ChIP-seq data.

Technologies de s&eacute;quen&ccedil;age de prochaine g&eacute;n&eacute;ration (NGS) ont consid&eacute;rablement m&ucirc;ri depuis leur introduction et un accent a &eacute;t&eacute; mis sur le d&eacute;veloppement d&#39;outils d&#39;analyse sophistiqu&eacute;s pour traiter les volumes amasse des donn&eacute;es. S&eacute;quen&ccedil;age de l&#39;immunopr&eacute;cipitation de la chromatine (ChIP-seq), une application majeure de NGS, est une technique largement adopt&eacute;e pour l&#39;examen des interactions prot&eacute;ine-ADN et est couramment utilis&eacute; pour enqu&ecirc;ter sur des signatures &eacute;pig&eacute;n&eacute;tiques des histones diffus marques. Ces ensembles de donn&eacute;es ont la variance notoirement &eacute;lev&eacute;e et des niveaux subtils d&#39;enrichissement &agrave; travers de grandes &eacute;tendues, ce qui les rend extr&ecirc;mement difficile &agrave; d&eacute;finir. Mod&egrave;les heuristiques bas&eacute;es sur Windows et les mod&egrave;les de Markov cach&eacute;s finite-state (HMMs) ont &eacute;t&eacute; utilis&eacute;s avec un certain succ&egrave;s dans l&#39;analyse des donn&eacute;es de ChIP-seq, mais avec des restrictions persistantes. Afin d&#39;am&eacute;liorer la capacit&eacute; de d&eacute;tecter les grandes r&eacute;gions d&#39;enrichissement, nous avons d&eacute;velopp&eacute; une m&eacute;thode stochastique bay&eacute;sienne Change-Point (BCP), qui traite de certaines de ces questions en suspens. BCP fait usage des progr&egrave;s r&eacute;cents dans l&#39;infini-&Eacute;tat HMMs en obtenant des formules explicites pour post&eacute;rieur moyen de lire les densit&eacute;s. Ces moyens post&eacute;rieur peuvent &ecirc;tre utilis&eacute;s pour classer le g&eacute;nome en segments enrichis et non enrichis, comme est habituellement fait, ou examin&eacute; pour des relations plus d&eacute;taill&eacute;es, puisque les sous-pics sous-jacent sont pr&eacute;serv&eacute;s au lieu de simplifi&eacute; dans une classification binaire. BCP effectue une recherche exhaustive proche de tous les points de changement possibles entre diff&eacute;rents moyens post&eacute;rieures &agrave; haute r&eacute;solution pour r&eacute;duire au minimum la subjectivit&eacute; de la fen&ecirc;tre tailles et par le calcul efficace, gr&acirc;ce &agrave; un algorithme d&#39;acc&eacute;l&eacute;ration et les formules explicites qu&#39;elle emploie. En l&#39;absence d&#39;un &laquo; gold standard &raquo; bien &eacute;tabli pour l&#39;histone diffus de la marque enrichissement, nous corrobor&eacute; de BCP pr&eacute;cision de d&eacute;tection de l&#39;&icirc;le et reproductibilit&eacute; &agrave; l&#39;aide de diverses formes de preuves empiriques. Nous montrons que BCP est particuli&egrave;rement adapt&eacute; pour l&#39;analyse des donn&eacute;es de l&#39;histone diffus ChIP-seq mais aussi efficace dans l&#39;analyse de facteur de transcription ponctu&eacute;e puce datasets, rendant largement applicables pour nombreux types d&#39;exp&eacute;rience.

Localisation de G&eacute;nome-large de liaison de la prot&eacute;ine-ADN et modification des histones par une m&eacute;thode bay&eacute;sienne de changement-point avec des donn&eacute;es de ChIP-seq.

Technologien der n&auml;chsten Generation Sequencing (NGS) haben seit ihrer Einf&uuml;hrung deutlich gereift und ein Augenmerk auf die Entwicklung von anspruchsvollen analytischen Werkzeuge zu Anh&auml;ufung Datenmengen bew&auml;ltigen. Chromatin Immunopr&auml;zipitation Sequenzierung (ChIP-Seq), eine wichtige Anwendung der NGS, ist ein weit verbreiteten Verfahren f&uuml;r die Pr&uuml;fung von Protein-DNA-Wechselwirkungen und wird h&auml;ufig verwendet, um epigenetische Signaturen diffuse Histon-Marken zu untersuchen. Diese Datasets haben notorisch hohe Varianz und subtilen Ebenen der Anreicherung in gro&szlig;en weiten, wodurch sie &uuml;beraus schwer zu definieren. Windows-basierte, heuristische Modelle und endlicher versteckte Markov Modelle (HMMs) wurden mit einigem Erfolg in ChIP-Seq Datenanalyse jedoch anhaltende Einschr&auml;nkungen verwendet. Um die F&auml;higkeit, weite Regionen der Bereicherung erkennen zu verbessern, entwickelten wir eine stochastische Bayesian Change-Punkt (BCP)-Methode, die einige dieser ungel&ouml;sten Probleme behebt. BCP macht Nutzung der j&uuml;ngsten Fortschritte in der Unendlichkeit-Staat HMMs durch explizite Formeln f&uuml;r posterior Mittel zur Erlangung lesen dichten. Diesen posterior bedeutet kann verwendet werden, um das Genom in angereicherten und ausgestalteter Segmente, zu kategorisieren, wie &uuml;blicherweise getan ist, oder f&uuml;r genauere Beziehungen gepr&uuml;ft werden, da die zugrunde liegenden Nebengipfel sind erhalten anstatt vereinfacht in eine bin&auml;re Klassifikation. BCP f&uuml;hrt eine nahe ersch&ouml;pfende Suche aller m&ouml;glichen Ver&auml;nderung Punkte zwischen den verschiedenen posterior bei hochaufl&ouml;senden minimieren die Subjektivit&auml;t des Fensters Gr&ouml;&szlig;en und ist rechnerisch effizient, durch einen Speed-up-Algorithmus und die expliziten Formeln besch&auml;ftigt. In Ermangelung einer etablierten &quot;Goldstandard&quot; f&uuml;r diffuse Histon Marke Bereicherung, wir best&auml;tigt BCPs Insel Erkennungsgenauigkeit und Reproduzierbarkeit mit verschiedenen Formen der empirische Belege. Wir zeigen, dass BCP besonders geeignet zur Analyse von diffusen Histon ChIP-Seq Daten sondern auch wirksam bei der Analyse von punctata Transkription Faktor ChIP Datasets, so dass es &uuml;berall anwendbar f&uuml;r zahlreiche Experiment-Typen.

Genomweiten Lokalisierung von Protein-DNA-Bindung und Histon &Auml;nderungen durch eine Bayes-&Auml;nderung-Punkt-Methode mit ChIP-Seq-Daten.

Tecnologie di sequenziamento di nuova generazione (NGS) hanno maturato notevolmente dalla loro introduzione e una particolare attenzione &egrave; stata posta sullo sviluppo di sofisticati strumenti analitici per affrontare gli accumulando volumi di dati. Cromatina immunoprecipitazione sequenziamento (ChIP-seq), una maggiore applicazione di NGS, &egrave; una tecnica ampiamente adottata per l&#39;esame di interazioni proteina-DNA ed &egrave; comunemente usato per indagare epigenetiche firme di marchi di diffusa dell&#39;istone. Questi DataSet sono notoriamente alta varianza e sottili livelli di arricchimento attraverso grandi distese, che li rende estremamente difficile da definire. Modelli basati su Windows, euristici e modelli nascosti di Markov a stati finiti (HMMs) sono stati utilizzati con successo nell&#39;analisi dei dati ChIP-seq, ma con limitazioni persistente. Per migliorare la capacit&agrave; di rilevare ampie regioni di arricchimento, abbiamo sviluppato un metodo bayesiano punto di cambiamento (BCP) stocastici, che affronta alcuni di questi problemi non risolti. BCP fa uso dei recenti progressi nell&#39;infinito-stato HMMs ottenendo formule esplicite per mezzo posteriore di leggere densit&agrave;. Questi mezzi posteriori possono essere utilizzati per categorizzare il genoma in segmenti arricchiti e attrezzati, come &egrave; fatto abitualmente, o esaminato per relazioni dettagliate, poich&eacute; il subpeaks sottostante sono conservate piuttosto che semplificato in una classificazione binaria. BCP esegue una ricerca esaustiva nei pressi di tutti i punti di possibile cambiamento tra differenti mezzi posteriori a ad alta risoluzione per ridurre al minimo la soggettivit&agrave; della finestra e dimensione &egrave; computazionalmente efficiente, a causa di un algoritmo di Speed-up e le formule esplicite che impiega. In assenza di un consolidata &quot;gold standard&quot; per la diffusa dell&#39;istone mark arricchimento, abbiamo corroborato di BCP isola rilevamento accuratezza e riproducibilit&agrave; utilizzando varie forme di evidenza empirica. Mostriamo che BCP &egrave; particolarmente adatto per l&#39;analisi dei dati diffusa dell&#39;istone ChIP-seq ma anche efficace nell&#39;analizzare punctato transcription factor ChIP set di dati, rendendo ampiamente applicabile per numerosi tipi di esperimento.

Genome-wide localizzazione della proteina-DNA binding e modifiche dell&#39;istone da un metodo di cambiamento-punto bayesiano con dati ChIP-seq.

&#x6B21;&#x4E16;&#x4EE3;&#x30B7;&#x30FC;&#x30B1;&#x30F3;&#x30B7;&#x30F3;&#x30B0; (NGS) &#x6280;&#x8853;&#x306F;&#x305D;&#x306E;&#x5C0E;&#x5165;&#x4EE5;&#x6765;&#x304B;&#x306A;&#x308A;&#x6210;&#x719F;&#x3057;&#x3066;&#x3044;&#x308B;&#x3057;&#x3001;&#x30D5;&#x30A9;&#x30FC;&#x30AB;&#x30B9;&#x306F;&#x3001;&#x84C4;&#x7A4D;&#x306E;&#x5927;&#x91CF;&#x306E;&#x30C7;&#x30FC;&#x30BF;&#x306B;&#x5BFE;&#x51E6;&#x3059;&#x308B;&#x305F;&#x3081;&#x306B;&#x6D17;&#x7DF4;&#x3055;&#x308C;&#x305F;&#x5206;&#x6790;&#x30C4;&#x30FC;&#x30EB;&#x306E;&#x958B;&#x767A;&#x306B;&#x914D;&#x7F6E;&#x3055;&#x308C;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;&#x30AF;&#x30ED;&#x30DE;&#x30C1;&#x30F3;&#x514D;&#x75AB;&#x6C88;&#x964D;&#x30B7;&#x30FC;&#x30B1;&#x30F3;&#x30B9; (&#x30C1;&#x30C3;&#x30D7; seq)&#x3001;NGS &#x306E;&#x4E3B;&#x8981;&#x306A;&#x30A2;&#x30D7;&#x30EA;&#x30B1;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x306F;&#x86CB;&#x767D;&#x8CEA; DNA &#x76F8;&#x4E92;&#x4F5C;&#x7528;&#x3092;&#x8ABF;&#x3079;&#x308B;&#x305F;&#x3081;&#x306B;&#x5E83;&#x304F;&#x63A1;&#x7528;&#x3055;&#x308C;&#x3066;&#x3044;&#x308B;&#x624B;&#x6CD5;&#x3067;&#x3059;&#x3001;&#x4E00;&#x822C;&#x7684;&#x3073;&#x307E;&#x3093;&#x6027;&#x30D2;&#x30B9;&#x30C8;&#x30F3; &#x30DE;&#x30FC;&#x30AF;&#x306E;&#x30A8;&#x30D4;&#x30B2;&#x30CE;&#x30E0;&#x3092;&#x8ABF;&#x67FB;&#x3059;&#x308B;&#x305F;&#x3081;&#x306B;&#x4F7F;&#x7528;&#x3055;&#x308C;&#x307E;&#x3059;&#x3002;&#x3053;&#x308C;&#x3089;&#x306E;&#x30C7;&#x30FC;&#x30BF;&#x30BB;&#x30C3;&#x30C8;&#x60AA;&#x540D;&#x9AD8;&#x3044;&#x5206;&#x6563;&#x3068;&#x6FC3;&#x7E2E;&#x306E;&#x5FAE;&#x5999;&#x306A;&#x30EC;&#x30D9;&#x30EB;&#x305D;&#x308C;&#x3089;&#x306F;&#x975E;&#x5E38;&#x306B;&#x56F0;&#x96E3;&#x3092;&#x5B9A;&#x7FA9;&#x306B;&#x4F5C;&#x308B;&#x5927;&#x304D;&#x3044;&#x5E83;&#x304C;&#x308A;&#x9593;&#x3067;&#x3042;&#x308A;&#x307E;&#x3059;&#x3002;Windows &#x30D9;&#x30FC;&#x30B9;&#x306E;&#x30D2;&#x30E5;&#x30FC;&#x30EA;&#x30B9;&#x30C6;&#x30A3;&#x30C3;&#x30AF;&#x306A;&#x30E2;&#x30C7;&#x30EB;&#x304A;&#x3088;&#x3073;&#x6709;&#x9650;&#x72B6;&#x614B;&#x96A0;&#x308C;&#x30DE;&#x30EB;&#x30B3;&#x30D5; &#x30E2;&#x30C7;&#x30EB; (Hmm) &#x30C1;&#x30C3;&#x30D7; seq &#x30C7;&#x30FC;&#x30BF;&#x3092;&#x5206;&#x6790;&#x3059;&#x308B;&#x3044;&#x304F;&#x3064;&#x304B;&#x306E;&#x6210;&#x529F;&#x304C;&#x3001;&#x4F59;&#x97FB;&#x306E;&#x5236;&#x9650;&#x304C;&#x4F7F;&#x7528;&#x3055;&#x308C;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;&#x6FC3;&#x7E2E;&#x306E;&#x5E83;&#x7BC4;&#x306A;&#x9818;&#x57DF;&#x3092;&#x691C;&#x51FA;&#x3059;&#x308B;&#x80FD;&#x529B;&#x3092;&#x5411;&#x4E0A;&#x3059;&#x308B;&#x306B;&#x306F;&#x3001;&#x3044;&#x304F;&#x3064;&#x304B;&#x3053;&#x308C;&#x3089;&#x306E;&#x672A;&#x89E3;&#x6C7A;&#x306E;&#x554F;&#x984C;&#x306E;&#x30A2;&#x30C9;&#x30EC;&#x30B9;&#x306F;&#x78BA;&#x7387;&#x306E;&#x30D9;&#x30A4;&#x30BA;&#x5909;&#x66F4;&#x70B9; &#xFF08;BCP&#xFF09; &#x6CD5;&#x3092;&#x958B;&#x767A;&#x3057;&#x307E;&#x3057;&#x305F;&#x3002;BCP &#x306B;&#x306A;&#x308A;&#x307E;&#x3059;&#x4F7F;&#x7528;&#x3057;&#x3066;&#x660E;&#x793A;&#x7684;&#x306A;&#x6570;&#x5F0F;&#x5F8C;&#x90E8;&#x306E;&#x624B;&#x6BB5;&#x306E;&#x305F;&#x3081;&#x306E;&#x53D6;&#x5F97;&#x306B;&#x3088;&#x3063;&#x3066;&#x7121;&#x9650;&#x72B6;&#x614B; Hmm &#x306E;&#x6700;&#x8FD1;&#x306E;&#x9032;&#x6B69;&#x306E;&#x5BC6;&#x5EA6;&#x3092;&#x8AAD;&#x307F;&#x307E;&#x3059;&#x3002;&#x3053;&#x308C;&#x3089;&#x306E;&#x5F8C;&#x65B9;&#x306E;&#x624B;&#x6BB5;&#x306F;&#x3001;&#x30B2;&#x30CE;&#x30E0;&#x6FC3;&#x7E2E;&#x3068; unenriched &#x306E;&#x30BB;&#x30B0;&#x30E1;&#x30F3;&#x30C8;&#x306B;&#x3042;&#x308B;&#x7FD2;&#x6163;&#x3092;&#x884C;&#x3063;&#x3066;&#x3001;&#x307E;&#x305F;&#x306F;&#x57FA;&#x306B;&#x306A;&#x308B; subpeaks &#x306F;&#x4FDD;&#x6301;&#x304B;&#x3089;&#x3067;&#x306F;&#x306A;&#x304F;&#x30D0;&#x30A4;&#x30CA;&#x30EA;&#x306E;&#x5206;&#x985E;&#x306B;&#x7C21;&#x4F53;&#x5B57;&#x3088;&#x308A;&#x8A73;&#x7D30;&#x306A;&#x95A2;&#x4FC2;&#x3092;&#x691C;&#x8A0E;&#x3057;&#x305F;&#x5206;&#x985E;&#x3092;&#x4F7F;&#x7528;&#x3067;&#x304D;&#x307E;&#x3059;&#x3002;BCP &#x3092;&#x5B9F;&#x884C;&#x8FD1;&#x304F;&#x306E;&#x5FB9;&#x5E95;&#x7684;&#x306A;&#x691C;&#x7D22;&#x3059;&#x3079;&#x3066;&#x306E;&#x53EF;&#x80FD;&#x306A;&#x5909;&#x66F4;&#x70B9;&#x7570;&#x306A;&#x308B;&#x5F8C;&#x90E8;&#x624B;&#x6BB5;&#x306E;&#x9593;&#x3067;&#x6700;&#x5C0F;&#x9650;&#x306B;&#x9AD8;&#x89E3;&#x50CF;&#x5EA6;&#x4E3B;&#x89B3;&#x30A6;&#x30A3;&#x30F3;&#x30C9;&#x30A6;&#x306E;&#x30B5;&#x30A4;&#x30BA;&#x3057;&#x3001;&#x9AD8;&#x901F;&#x5316;&#x30A2;&#x30EB;&#x30B4;&#x30EA;&#x30BA;&#x30E0;&#x3068;&#x305D;&#x308C;&#x3092;&#x63A1;&#x7528;&#x3057;&#x3066;&#x660E;&#x793A;&#x7684;&#x306A;&#x6570;&#x5F0F;&#x306B;&#x3088;&#x3063;&#x3066;&#x8A08;&#x7B97;&#x4E0A;&#x52B9;&#x7387;&#x7684;&#x3067;&#x3059;&#x3002;&#x3073;&#x307E;&#x3093;&#x6027;&#x30D2;&#x30B9;&#x30C8;&#x30F3;&#x306E;&#x305F;&#x3081;&#x306E;&#x5B9A;&#x8A55;&#x306E;&#x3042;&#x308B;&#x300C;&#x30B4;&#x30FC;&#x30EB;&#x30C9; &#x30B9;&#x30BF;&#x30F3;&#x30C0;&#x30FC;&#x30C9;&#x300D;&#x306E;&#x4E0D;&#x5728;&#x3067;&#x6FC3;&#x7E2E;&#x30DE;&#x30FC;&#x30AF;&#x3001;BCP &#x306E;&#x5CF6;&#x691C;&#x51FA;&#x7CBE;&#x5EA6;&#x3068;&#x518D;&#x73FE;&#x6027;&#x306E;&#x5B9F;&#x8A3C;&#x7684;&#x8A3C;&#x62E0;&#x306E;&#x69D8;&#x3005; &#x306A;&#x5F62;&#x614B;&#x3092;&#x4F7F;&#x7528;&#x3057;&#x3066;&#x79C1;&#x305F;&#x3061;&#x3092;&#x78BA;&#x8A3C;&#x3057;&#x307E;&#x3059;&#x3002;BCP &#x3073;&#x307E;&#x3093;&#x6027;&#x30D2;&#x30B9;&#x30C8;&#x30F3; &#x30C1;&#x30C3;&#x30D7; seq &#x30C7;&#x30FC;&#x30BF;&#x306E;&#x5206;&#x6790;&#x306B;&#x7279;&#x306B;&#x9069;&#x3057;&#x3066;&#x304C;&#x70B9;&#x72B6;&#x8EE2;&#x5199;&#x56E0;&#x5B50;&#x30C1;&#x30C3;&#x30D7; &#x30C7;&#x30FC;&#x30BF;&#x30BB;&#x30C3;&#x30C8;&#x306E;&#x5206;&#x6790;&#x306B;&#x3082;&#x52B9;&#x679C;&#x7684;&#x306A;&#x5B9F;&#x9A13;&#x306E;&#x69D8;&#x3005; &#x306A;&#x30BF;&#x30A4;&#x30D7;&#x306E;&#x305F;&#x3081;&#x306B;&#x5E83;&#x304F;&#x9069;&#x7528;&#x3042;&#x308B;&#x3053;&#x3068;&#x3092;&#x793A;&#x3057;&#x307E;&#x3059;&#x3002;

&#x86CB;&#x767D;&#x8CEA; DNA &#x7D50;&#x5408;&#x3068;&#x30C1;&#x30C3;&#x30D7; seq &#x30C7;&#x30FC;&#x30BF;&#x3092;&#x30D9;&#x30A4;&#x30B8;&#x30A2;&#x30F3;&#x5909;&#x5316;&#x70B9;&#x6CD5;&#x306B;&#x3088;&#x308B;&#x30D2;&#x30B9;&#x30C8;&#x30F3;&#x4FEE;&#x98FE;&#x306E;&#x30B2;&#x30CE;&#x30E0;&#x306E;&#x30ED;&#x30FC;&#x30AB;&#x30EA;&#x30BC;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x3002;

&#xADF8;&#xB4E4;&#xC758; &#xB3C4;&#xC785; &#xC774;&#xD6C4; &#xB2E4;&#xC74C; &#xC138;&#xB300; &#xC2DC;&#xD000;&#xC2F1; (NGS) &#xAE30;&#xC220;&#xC774; &#xC0C1;&#xB2F9;&#xD788; &#xC131;&#xC219; &#xD588;&#xB2E4; &#xBC0F; amassing &#xC591;&#xC758; &#xB370;&#xC774;&#xD130;&#xB97C; &#xB2E4;&#xB8E8;&#xB294; &#xC815;&#xAD50;&#xD55C; &#xBD84;&#xC11D; &#xB3C4;&#xAD6C; &#xAC1C;&#xBC1C;&#xC5D0; &#xCD08;&#xC810;&#xC744; &#xBC30;&#xCE58; &#xB418;&#xC5C8;&#xC2B5;&#xB2C8;&#xB2E4;. Chromatin immunoprecipitation &#xC2DC;&#xD000;&#xC2A4; (seq &#xCE69;), NGS&#xC758; &#xC8FC;&#xC694; &#xC751;&#xC6A9; &#xD504;&#xB85C;&#xADF8;&#xB7A8; &#xB2E8;&#xBC31;&#xC9C8; DNA &#xC0C1;&#xD638; &#xC791;&#xC6A9;&#xC744; &#xAC80;&#xC0AC; &#xD558;&#xB294; &#xB370; &#xAD11;&#xBC94;&#xC704; &#xD558; &#xAC8C; &#xCC44;&#xD0DD; &#xB41C; &#xAE30;&#xC220; &#xC774;&#xBA70; &#xC77C;&#xBC18;&#xC801;&#xC73C;&#xB85C; &#xD655;&#xC0B0; &#xD788;&#xC2A4;&#xD1A4; &#xBD80;&#xD638;&#xC758; epigenetic &#xC11C;&#xBA85;&#xC744; &#xC870;&#xC0AC; &#xD558;&#xB294; &#xB370; &#xC0AC;&#xC6A9;. &#xC774;&#xB7EC;&#xD55C; &#xB370;&#xC774;&#xD130; &#xC9D1;&#xD569; &#xC545;&#xBA85; &#xB192;&#xC740; &#xBD84;&#xC0B0; &#xBC0F; &#xB18D;&#xCD95;&#xC758; &#xBBF8;&#xBB18;&#xD55C; &#xC218;&#xC900; &#xC788;&#xB3C4;&#xB85D; &#xB9E4;&#xC6B0; &#xC815;&#xC758; &#xD558;&#xAE30; &#xC5B4;&#xB824;&#xC6B4; &#xD070; expanses&#xC5D0; &#xAC78;&#xCCD0; &#xC788;&#xB2E4;. &#xCE69; seq &#xB370;&#xC774;&#xD130; &#xBD84;&#xC11D;&#xC5D0; &#xC131;&#xACF5; &#xD558;&#xC9C0;&#xB9CC; &#xB290;&#xB9B0; &#xC81C;&#xD55C; Windows &#xAE30;&#xBC18;, &#xCD94;&#xB860; &#xBAA8;&#xB378; &#xBC0F; &#xC720;&#xD55C; &#xC0C1;&#xD0DC; &#xC228;&#xACA8;&#xC9C4;&#xB41C; &#xB9C8;&#xB974;&#xCF54;&#xD504; &#xBAA8;&#xB378; (HMMs) &#xC0AC;&#xC6A9; &#xB418;&#xC5C8;&#xC2B5;&#xB2C8;&#xB2E4;. &#xB18D;&#xCD95;&#xC758; &#xB113;&#xC740; &#xC601;&#xC5ED;&#xC744; &#xAC10;&#xC9C0; &#xD558;&#xB294; &#xB2A5;&#xB825;&#xC744; &#xD5A5;&#xC0C1;, &#xC774;&#xB7EC;&#xD55C; &#xD574;&#xACB0; &#xB418;&#xC9C0; &#xC54A;&#xC740; &#xBB38;&#xC81C;&#xB97C; &#xD574;&#xACB0; &#xD558;&#xB294; &#xD655;&#xB960;&#xC801; &#xBCA0;&#xC774;&#xC9C0;&#xC548; &#xC9C0;&#xC810; &#xBCC0;&#xACBD; (BCP) &#xBC29;&#xBC95; &#xAC1C;&#xBC1C;. BCP &#xAC8C; &#xD6C4;&#xBD80; &#xBC29;&#xBC95;&#xC5D0; &#xB300; &#xD55C; &#xBA85;&#xC2DC;&#xC801;&#xC778; &#xC218;&#xC2DD;&#xC744; &#xAC00;&#xC838;&#xC640;&#xC11C; &#xBB34;&#xD55C; &#xC0C1;&#xD0DC; Hmms&#xC758; &#xCD5C;&#xADFC; &#xBC1C;&#xC804;&#xC758; &#xC0AC;&#xC6A9; &#xBC00;&#xB3C4; &#xC77D;&#xAE30;. &#xC774;&#xB7EC;&#xD55C; &#xD6C4;&#xBD80; &#xC218;&#xB2E8; &#xAD00;&#xB840; &#xB2E4;, &#xB610;&#xB294; &#xAE30;&#xBCF8; subpeaks&#xB294; &#xBCF4;&#xC874; &#xBCF4;&#xB2E4;&#xB294; &#xC774;&#xC9C4; &#xBD84;&#xB958;&#xB85C; &#xAC04;&#xC18C;&#xD654; &#xC774;&#xD6C4; &#xB354; &#xC790;&#xC138;&#xD55C; &#xAD00;&#xACC4;&#xC5D0; &#xB300; &#xD55C; &#xAC80;&#xC0AC;&#xB294; &#xAC8C;&#xB188; &#xB18D;&#xCD95; unenriched &#xC138;&#xADF8;&#xBA3C;&#xD2B8;&#xB85C; &#xBD84;&#xB958; &#xD558; &#xC0AC;&#xC6A9;&#xD560; &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4;. BCP &#xC218;&#xD589; &#xB2E4;&#xB978; &#xD6C4;&#xBD80; &#xC218;&#xB2E8; &#xC0AC;&#xC774;&#xC758; &#xBAA8;&#xB4E0; &#xAC00;&#xB2A5;&#xD55C; &#xBCC0;&#xACBD; &#xC810;&#xC758; &#xADFC;&#xCC98; &#xCCA0;&#xC800; &#xD55C; &#xAC80;&#xC0C9;&#xC5D0;&#xC11C; &#xACE0;&#xD574;&#xC0C1;&#xB3C4; &#xCD5C;&#xC18C;&#xD654; &#xD558;&#xAE30; &#xC704;&#xD574; &#xC708;&#xB3C4;&#xC6B0;&#xC758; &#xC8FC;&#xAD00; &#xD06C;&#xAE30;&#xC640; &#xAC00;&#xC18D;&#xD654; &#xC54C;&#xACE0;&#xB9AC;&#xC998; &#xBC0F; &#xC0AC;&#xC6A9; &#xD558;&#xB294; &#xBA85;&#xC2DC;&#xC801;&#xC778; &#xC218;&#xC2DD;&#xC744; &#xACC4;&#xC0B0; &#xD6A8;&#xC728;&#xC801;&#xC785;&#xB2C8;&#xB2E4;. &#xD655;&#xC0B0; &#xD788;&#xC2A4;&#xD1A4;&#xC5D0; &#xB300; &#xD55C; &#xAE30;&#xCD08;&#xAC00; &#xD2BC;&#xD2BC;&#xD55C; &quot;&#xAE08; &#xD45C;&#xC900;&quot;&#xC758; &#xBD80;&#xC7AC;&#xC5D0;&#xC11C; &#xB18D;&#xCD95;, &#xC6B0;&#xB9AC; &#xB4B7;&#xBC1B;&#xCE68; BCP&#xC758; &#xC12C; &#xAC80;&#xCD9C; &#xC815;&#xD655;&#xB3C4; &#xBC0F; &#xC7AC;&#xD604;&#xC131; &#xACBD;&#xD5D8;&#xC801; &#xC99D;&#xAC70;&#xC758; &#xB2E4;&#xC591; &#xD55C; &#xD615;&#xD0DC;&#xB97C; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC;. &#xC6B0;&#xB9AC;&#xB294; &#xD45C;&#xC2DC; BCP &#xD655;&#xC0B0; &#xD788;&#xC2A4;&#xD1A4; &#xCE69; seq &#xB370;&#xC774;&#xD130;&#xC758; &#xBD84;&#xC11D;&#xC744; &#xC704;&#xD574; &#xD2B9;&#xD788; &#xC801;&#xD569; &#xD558;&#xC9C0;&#xB9CC; punctate &#xC804;&#xC0AC; &#xC778;&#xC790; &#xCE69; &#xB370;&#xC774;&#xD130; &#xC9D1;&#xD569; &#xBD84;&#xC11D;&#xC5D0; &#xD6A8;&#xACFC;&#xC801;&#xC778; &#xC218;&#xB9CE;&#xC740; &#xC885;&#xB958;&#xC758; &#xC2E4;&#xD5D8;&#xC744; &#xC704;&#xD574; &#xAD11;&#xBC94;&#xC704; &#xD558; &#xAC8C; &#xC801;&#xC6A9; &#xD558;&#xAE30;&#xAC00;.

&#xBC14;&#xC778;&#xB529; &#xB2E8;&#xBC31;&#xC9C8;-DNA&#xC640; &#xD788;&#xC2A4;&#xD1A4; &#xC218;&#xC815; &#xCE69;-seq &#xB370;&#xC774;&#xD130;&#xB85C; &#xBCA0;&#xC774;&#xC9C0;&#xC548; &#xC9C0;&#xC810; &#xBCC0;&#xACBD; &#xBC29;&#xBC95;&#xC73C;&#xB85C; &#xAC8C;&#xB188; &#xC804;&#xCCB4; &#xC9C0;&#xC5ED;&#xD654;.

Tecnolog&iacute;as de secuenciaci&oacute;n de &uacute;ltima generaci&oacute;n (NGS) han madurado considerablemente desde su introducci&oacute;n y se ha colocado un foco en el desarrollo de sofisticadas herramientas anal&iacute;ticas para ocuparse de los vol&uacute;menes amassing de datos. Secuenciaci&oacute;n de inmunoprecipitaci&oacute;n de cromatina (ChIP-seq), una mayor aplicaci&oacute;n de NGS, es una t&eacute;cnica ampliamente adoptada para examinar las interacciones prote&iacute;na-DNA y es com&uacute;nmente usado para investigar epigen&eacute;ticas firmas de marcas de histona difusa. Estos conjuntos de datos tienen notoriamente alta varianza y sutiles niveles de enriquecimiento a trav&eacute;s de grandes extensiones, haci&eacute;ndolos sumamente dif&iacute;cil de definir. Modelos basados en Windows, heur&iacute;sticos y modelos ocultos de Markov de aut&oacute;mata finito (HMMs) se han utilizado con cierto &eacute;xito en el an&aacute;lisis de datos de ChIP-seq pero con limitaciones persistentes. Para mejorar la capacidad de detectar grandes regiones de enriquecimiento, se desarroll&oacute; un m&eacute;todo estoc&aacute;stico de Bayesiano cambio-Point (BCP), que se ocupa de algunos de estos problemas no resueltos. BCP hace uso de los avances recientes en estado infinito HMMs obteniendo f&oacute;rmulas expl&iacute;citas para medios posteriores de Lee densidades. Estos medios posteriores pueden utilizarse para categorizar el genoma en segmentos enriquecidos y no acondicionados, como se hace habitualmente, o examinar para relaciones m&aacute;s detalladas desde los subpeaks subyacentes se conserva en lugar de simplificado en una clasificaci&oacute;n binaria. BCP realiza una b&uacute;squeda exhaustiva cerca de todos los puntos de posible cambio entre diferentes medios posteriores en alta resoluci&oacute;n para minimizar la subjetividad de ventana tama&ntilde;os y es computacionalmente eficiente, debido a un algoritmo de acelerar y las f&oacute;rmulas expl&iacute;citas que emplea. En la ausencia de una bien establecida &quot;gold standard&quot; para difusa histona marca enriquecimiento, corrobor&oacute; la precisi&oacute;n de la detecci&oacute;n de isla y reproducibilidad mediante diversas formas de evidencia emp&iacute;rica del BCP. Mostramos que el BCP es especialmente adecuado para el an&aacute;lisis de los datos de la histona difusa ChIP-seq pero tambi&eacute;n eficaz punteada transcripci&oacute;n factor ChIP datasets, al analizar lo que es ampliamente aplicable para numerosos tipos de experimento.

Localizaci&oacute;n del genoma de prote&iacute;na-DNA obligatorio y modificaci&oacute;n de las histonas por un m&eacute;todo de cambio punto Bayesiano con ChIP-seq datos.

Haipeng Xing

Department of Applied Mathematics & Statistics

Stony Brook University

A Novel Bayesian Change-point Algorithm for Genome-wide Analysis of Diverse ChIPseq Data Types

Haipeng Xing

.css-o250i3{font-size:18px;font-family:Open Sans,sans-serif;line-height:21.6px;}Department of Applied Mathematics & Statistics

Stony Brook University

A Novel Bayesian Change-point Algorithm for Genome-wide Analysis of Diverse ChIPseq Data Types

Department of Applied Mathematics & Statistics