2012/09/29 ENCODE 勉強会の発表資料. Dong X et. al. Modeling geneexpression using chromatin features invarious cellular contexts2012/09/29 ENCODE 勉強会二階堂愛

1. Dong X et. al. Modeling gene
expression using chromatin features in
various cellular contexts
2012/09/29 ENCODE 勉強会
二階堂愛 / @dritoshi #encodejp-28
理化学研究所 発生・再生科学総合研究センター

2. この資料の最新版の以下にあります
http://cat.hackingisbelieving.org/lecture/
http://genomebiology.com/content/13/9/R53
このファイルは クリエイティブ・コモンズ 表示 2.0 一般 ライセンスの下に提供されています。
“catway dritoshi” で検索

3. Chromatin features から遺伝子発現が予測できるか?
4つの問い
1. Can we reproduce the quantitative relationship between
gene expression levels and histone modifications?
2. Does the relationship hold across different human cell lines
and between different groups of genes?
3. Do the most predictive chromatin features differ depending
on the expression quantification technique used?
4. How well can the chromatin features predict expression
levels of RNA from different cell compartments and/or RNA
extracted by different

4. Chromatin features が転写を制御する
遺伝子周辺のヒストン修飾, クロマチン構造による転写制御
Cause = Chromatin feature Effect = transcription
7 histone modifications RNA-seq
1 histone variant RNA-PET
DNase I hypersensitivity in 7 cell deepCAGE
Effect = transcription
Cause = Chromatin feature

5. Chromatin featuresのデータを表現
遺伝子周辺のヒストン修飾, クロマチン構造のベクトルを作る

6. RNA転写量データの表現
転写がON/OFFの遺伝子に分けてしまう
Random forests でON/OFFの2群に分類する

7. モデル化する
回帰モデル
1. Linear regression
2. multivariate adaptive regression splines (MARS)
3. Random forests

8. モデルを統合する
分類*回帰モデル

9. モデルを評価する
予測と実測を比較する

10. 予測性能1
予測と実測を比較する

11. 予測性能2
予測と実測を比較する

12. まとめ1
chromatin features から転写量が良く予測できる
0. chromatin features の転写への影響を定量的に評価できた
発現ON/OFF: H3K9ac > H3K4me3 > DNase I > H3K4me2 ...
転写量: H3K79me2 > H3K36me3 > DNase I > H3K9ac ...
1. 2段階の予測方法を提案
ON/OFFの分類と回帰モデル

13. まとめ2
ほかに議論されていること
1. Nucleus, Cytosol, Whole Cell 由来のRNA量を予測できるか?
できる。Cytosol > Whole Cell >> Nucleus
2. RNA-seq, CAGE, RNA-PETのどれがchromatin featuresとの相
関が高いか?
CAGE > RNA-PET = RNA-seq
3. ほかの細胞の転写量を説明できるか?
R = 0.8 程度で
4. CpGとの関連は?
High CpG のほうが予測がよい

14. こう考える
よかったことと残された課題
よかったこと
1. 予測できたのはよかったね
2. chromatin features のそれぞれの重要性がわかったのはよ
かった
課題
1. bestbin を相関で取っているのはいいのかな?
2. 統計モデルでいいのかな? モノの動きがわからない
3. CAGE, RNA-seq, RNA-PETが比較できるほどフェア?
4. 遺伝子に着目した議論も欲しいよね
5. 予測結果から転写をデザインできるのか?

15. Software
分類や回帰など
Calculation of the mean density of chromatin features
bigWigSummary: BigWig and BigBed: enabling browsing of large
distributed datasets
Variable importance
relaimpo: Relative importance of regressors in linear models
Regression/classification
randomForest: Breiman and Cutler's random forests for
classification and regression
Regression
earth: Multivariate Adaptive Regression Spline Models

16. この資料の最新版の以下にあります
http://cat.hackingisbelieving.org/lecture/
http://genomebiology.com/content/13/9/R53
このファイルは クリエイティブ・コモンズ 表示 2.0 一般 ライセンスの下に提供されています。
“catway dritoshi” で検索