Download as PDF, PPTX
Uploaded by弘毅 露崎
Large-scale imputation of epigenetic datasets for systematic annotation of diverse human tissues
2015/3/17のEpigenomic Roadmap輪読会での発表資料
Large-scale imputation of epigenetic datasets for systematic annotation of diverse human tissues
- 1. Large-scale imputation ofepigenetic datasets for systematic annotation of diverse human tissues 2015/3/17 Epigenome Roadmap 輪読会 RIKEN ACCC BiT 露崎弘毅
- 2. 欠損値について そのまま扱う = サンプルサイズがばらばら 削除して完全データにする= 著しく情報が損失 ? ? ? ? ? ? なんらかの理由で観測されない場合がある データ 特徴量 例: 遺伝子発現量、 蛍光強度 例: 実験、組織、細胞 ? ? ? ? ? ? ? ? ? ? ? ? 現実のデータはたびたび欠損値がある不完全データ ? ? ? ? ? ? AはBより有意と言って いいのか? A B 検定 p=0.01 p=0.03 列単位で削除 行単位で削除 DNAマイクロアレイ : ゴミで蛍光が観測されないプローブがある SNPアレイ : チップが対応していないSNPが存在（メタ解析で関係） NGS : リード数が少ない
- 3. 欠損値補完 = Imputation ? ? ?? ? ? 2.4 1.3 0.5 1.4 1.4 3.5 欠損値を予測する Imputation そのための根拠（古典的な統計学） - 平均値代入、回帰代入、Hot-deck代入（似たデータから補完）、Cold-deck 代入（同じデータの違う状況下でのデータから補完）、Average the available items, Last observation carried forward, Stochastic回帰代入 - 欠損メカニズムをモデル化 - 最近の方法 : Full Information maximum likelehood（FIML）、多重代入法 …etc 欠損値に関するメモ（オミックス研究と関連して） どれも一長一短
- 4. ? ? ? ? ? ? 似たデータを参考にするという方針（尺度:相関係数、LDブロックなど） 2.4 2.5 2.3 ? ? ? ? ? 2.1 ? 1.9 ? ? ? ? 2.1 2.3 列を似せる 行を似せる オミックス解析でのImputation 列利用の方が結果が良いという比較研究はあるが大分データ依存的だとは思う （Celton, M. et. al., 2010） 似たデータ内にも欠損値があったりするので、EMアルゴリズムで逐次的に推定する
- 5. この論文でImputeしたもの sample（n=127） mark (n=4315） Figure 1a Roadmap Epigenomics Project(n=111) ENCODE Project (n=16) 著者らが sample-mark matrix と言っているもの mark : 25bpの各サイトにマップされたリード のカバレッジ sample : 細胞、組織データ ヒストン修飾、DNAアクセシビリティ、 メチル化、RNA-seqなどを見た
- 6. この論文でのImputationの方針 行も列も使おう！ i) 同じサンプル内の異なるmarkからの情報 （あるmarkのカバレッジは周囲のmarkに似ているだろうという仮定） ii) 異なるサンプル間でのターゲットmarkからの情報 （あるmarkのカバレッジは他のサンプルでも似ているだろうという仮定） samplec ? mark m sample c ? mark m mark m mark m sample c sample c
- 7. 提案手法 : ChromImpute法 samplec ? mark m sample c mark m sample c mark m ? 周囲500bpくらい 推定するときの重み（カバレッジが厚いところほど優先） カバレッジ ポジション 周りのマッピング状況から、欠損値を回帰モデルで推測する
- 8. 補足 : アンサンブル回帰木 回帰木: 区間毎に値を推定する（非線形な回帰をやりたかったから使った） scikit-learn 1.8 Decision Treesより アンサンブル回帰木 : 木を沢山書いて、平均をとる 要するにバギング、ブートストラップ集約（Random Forestではない?） Regression tree ensembles in the perspective of kernel-based methodsより 1個の回帰木 100個の回帰木の平均
- 9. 結果 sampleレベルで他と似ている markレベルで他と似ている Figure 1b,c 1.他のデータに似せる事ができた ランダムに200kbとってきて も似てる Figure 2a Figure 2c 相関係数計算して も似てる
- 10.
- 11. 結果 3. H3K36me3のGeneBody（GeneRecov） Figure 3bd よくわからない><カバレッジが観測データと似てる
- 12.
- 13.
- 14. 結果 6. クロマチン状態 著者らは過去にChromHMMという手法で クロマチン状態の予測を行った （Ernst, J.& Kellis M., 2012） 欠損値があるところは予測精度が悪かった 欠損値がある箇所を削除すると データがかなり減ってしまった 今回、ChromImputeと組み合わせる事で、 精度が改善された （これが一番やりたかった事では?）
- 15.