本發(fā)明涉及數(shù)據(jù)分析，更具體地說，本發(fā)明涉及一種基于機器學(xué)習(xí)的宮頸癌病毒甲基化位點分析方法。

背景技術(shù)：

1、宮頸癌是女性第四大常見惡性腫瘤，高危型hpv?16病毒持續(xù)感染是宮頸癌發(fā)病的高危因素，然而，90％以上為一過性感染，可被機體免疫系統(tǒng)清除，僅有10％呈持續(xù)感染，而最終真正導(dǎo)致癌變的僅占1％。目前宮頸癌篩查的主要手段為hpv檢測和tct檢查，但是兩種檢查方法均存在一定局限性，無法真正進行甲基化水平分析，并篩出敏感特征及特異特征最佳組合的第二甲基化位點，為了解決上述問題，現(xiàn)提供一種技術(shù)方案。

技術(shù)實現(xiàn)思路

1、為了克服現(xiàn)有技術(shù)的上述缺陷，本發(fā)明提供一種基于機器學(xué)習(xí)的宮頸癌病毒甲基化位點分析方法，通過對hpv病毒感染患者的病例樣本進行分析，并獲取患者的宮頸脫落細(xì)胞樣本，對患者的宮頸脫落細(xì)胞樣本內(nèi)感染宮頸癌病毒的甲基化位點，進行甲基化水平分析，篩選出顯著差異甲基化位點；再對篩選出的差異位點進行三三隨機組合，利用機器學(xué)習(xí)回歸模型綜合考慮多個位點進行預(yù)測，結(jié)合roc分析篩選出敏感性和特異性最優(yōu)的最佳組合，以解決上述背景技術(shù)中提出的問題。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

3、一種基于機器學(xué)習(xí)的宮頸癌病毒甲基化位點分析方法，包括如下步驟：

4、步驟一，樣本準(zhǔn)備：依據(jù)病理學(xué)及分子分型特征將hpv?16病毒感染患者的病例樣本，分類為第一正常對照組、第二高級別病變組以及第三宮頸鱗狀細(xì)胞癌組，通過宮頸液基保存液分別獲取患者的宮頸脫落細(xì)胞樣本；

5、步驟二，基因提?。豪脛P普核酸提取儀hbnp-4801a，核酸提取試劑盒磁珠法(dr-4801-kz型)提取宮頸脫落細(xì)胞樣本中的基因組dna；

6、步驟三，捕獲目標(biāo)片段：通過液相探針雜交捕獲法，捕獲納入分析的dna樣本中hpv16病毒的全基因組，并上機進行甲基化水平檢測；

7、步驟四，hpv?16病毒全基因組甲基化水平分析：利用甲基化捕獲測序原始數(shù)據(jù)使用fastq軟件進行質(zhì)控，在去除低質(zhì)量和adaptor序列后使用bismark(v0.23.1)軟件內(nèi)置的bowtie與hpv?16基因組比對，使用bismark去除重復(fù)序列后，提取hpv胞嘧啶-磷酸-鳥嘌呤(cpg)甲基化位點的信息，使用mtools(v1.15)和mosdepth(v0.3.2)工具對bam文件進行質(zhì)量評估，統(tǒng)計測序數(shù)據(jù)與基因組的比對概況和捕獲效率；

8、步驟五，差異甲基化位點篩選：使用methylkit(v1.18.0)讀取甲基化文件后，進行差異分析，提取差異甲基化位點dms和差異甲基化區(qū)域dmr，對比正常對照組，分析高級別病變組以及宮頸鱗狀細(xì)胞癌組的甲基化位點差異水平，共有31個位點差異有統(tǒng)計學(xué)意義(meth.diff>25％且q<0.05)；

9、步驟六：甲基化位點組合分析：將對比結(jié)果差異顯著的31個甲基化位點，進行三三隨機組合,共有969種組合形式，運用回歸模型結(jié)合roc分析和不同位點組合找最大組間差異的嘗試，篩選出敏感性及特異性最優(yōu)的最佳組合。

10、作為本發(fā)明進一步方案，步驟六中，對比結(jié)果差異顯著的甲基化位點，進行三三隨機組合,進行三三隨機組合的計算公式為：

11、

12、式中：p為進行三三隨機組合后的組合總數(shù)，n為對比結(jié)果差異顯著的甲基化位點個數(shù)。

13、作為本發(fā)明進一步方案，步驟六中，篩選出敏感性及特異性最優(yōu)的最佳組合，敏感特征及特異特征最佳組合需滿足：auc曲線下面積趨向于1，且顯著性水平小于0.05。

14、作為本發(fā)明進一步方案，步驟六中，通過機器學(xué)習(xí)回歸模型對組合的甲基化位點進行三三組合，結(jié)合roc分析評估各組合的模型性能，篩選出敏感性及特異性最優(yōu)的最佳組合，具體步驟為：

15、步驟a1，基于邏輯回歸模型，通過將給定的n組數(shù)據(jù)作訓(xùn)練集訓(xùn)練模型，并在訓(xùn)練結(jié)束后對給定的一組或多組數(shù)據(jù)作測試集進行分類，其中每一組數(shù)據(jù)都是由p個指標(biāo)構(gòu)成；

16、步驟a2，應(yīng)用sigmoid函數(shù)進行二分類，其中一類標(biāo)簽為0，另一類標(biāo)簽為1，其中，sigmoid函數(shù)的公式為：

17、

18、式中：σ(x)為輸入為x時sigmoid函數(shù)的輸出值，x為sigmoid函數(shù)的輸入值，e為自然對數(shù)的底；

19、實現(xiàn)線性回歸到概率的轉(zhuǎn)化，公式如下：

20、t＝β0+β1x；

21、

22、式中：t為輸入數(shù)據(jù)通過線性回歸模型得到的結(jié)果，β0為線性回歸模型的截距項，β1為線性回歸模型的斜率，p(x)為輸入x經(jīng)過sigmoid函數(shù)映射后得到的概率值，σ(t)為輸入為t時sigmoid函數(shù)的輸出值；

23、經(jīng)過sigmod函數(shù)的映射，得到的概率為0到1，以α＝0.5為閾值，大于閾值定義為1，小于閾值定義為0，進一步轉(zhuǎn)化為：

24、

25、

26、采用最大似然法對擬合結(jié)果進行量化，由于每個樣本是相關(guān)獨立的，所以計算總體概率是要相乘，公式如下：

27、

28、式中：l(ω)為總體概率，xi為第i個樣本的量化結(jié)果，yi為第i個樣本的閾值定義；

29、進行對數(shù)操作后，轉(zhuǎn)換如下：

30、l(ω)＝∑yiln?p(xi)+(1-yi)(1-p(xi))；

31、

32、

33、式中：ω為使樣本數(shù)據(jù)出現(xiàn)概率最大化的參數(shù)值；

34、步驟a3，繪制roc曲線，通過將連續(xù)變量設(shè)定出若干不同的臨界值，從而計算出一系列敏感性和特異性，再以敏感性為縱坐標(biāo)，1-特異性為橫坐標(biāo)，繪制成roc曲線；

35、步驟a4，運用logistic回歸和roc曲線綜合評價31個差異位點對宮頸癌病變的診斷價值，存在4個差異位點符合標(biāo)準(zhǔn)為“auc≥0.9且p＜0.05，特異性趨向于1，敏感性趨向于0.86”，這4個位點分布于hpv?16的l2和e7區(qū)，即這4個位點單個即具有診斷宮頸癌病變的應(yīng)用價值；將31個差異位點三三組合，共有969種組合形式，再次運用logistic回歸和roc曲線對這969種組合綜合評估，存在8個組合符合標(biāo)準(zhǔn)為“auc趨向于1且p＜0.05，特異性和敏感性均趨向于1”，8個組合包含7個位點，分布于hpv?16的l1、l2、e6和e7。

36、作為本發(fā)明進一步方案，步驟五甲基化位點篩選中，將對比結(jié)果差異顯著的甲基化位點應(yīng)滿足甲基化水平差異值大于25％，且多重檢驗校正后的顯著性水平小于0.05。

37、本發(fā)明一種基于機器學(xué)習(xí)的宮頸癌病毒甲基化位點分析方法的技術(shù)效果和優(yōu)點：本發(fā)明通過對hpv病毒感染患者的病例樣本進行分析，并獲取患者的宮頸脫落細(xì)胞樣本，對患者的宮頸脫落細(xì)胞樣本內(nèi)感染宮頸癌病毒的甲基化位點，進行甲基化水平分析，篩選出顯著差異甲基化位點；再對篩選出的差異位點進行三三隨機組合，利用機器學(xué)習(xí)回歸模型綜合考慮多個位點進行預(yù)測，結(jié)合roc分析篩選出敏感性和特異性最優(yōu)的最佳組合。