癌癥基因圖譜計劃甲基化數據及其分析工具

◇內蒙古工業大學數據科學與應用學院 侯 睿

隨著測序技術的不斷進步，為了更加深入的探究癌癥產生和發展的分子機理，產生了一些針對癌癥的研究計劃，癌癥基因圖譜計劃（The Cancer Genome Atlas,TCGA）便是其中之一。該計劃包含了海量的數據，DNA甲基化數據是該計劃中一種重要的表觀遺傳修飾數據。本文簡要介紹了癌癥基因圖譜計劃，闡述了癌癥基因圖譜計劃的甲基化數據，對癌癥基因圖譜計劃中甲基化數據的分析工具進行了說明，簡述了450K甲基化數據的分析過程，以期對使用癌癥基因圖譜計劃開展DNA甲基化的相關研究提供相應幫助和支持。

癌癥是人類面臨的嚴重疾病，癌癥具有其顯著的特征[1]。大多數癌癥的死亡率較高，生存期較短，人類對于癌癥開展了大量的研究，而傳統的癌癥研究存在著一些局限性。測序技術的發展，產生了大量分子層面的測序數據，推動了人類對于癌癥的認識，也產生了不少相關的研究。測序數據的種類繁多，DNA甲基化數據是其中的一種，DNA甲基化是非常重要的表觀遺傳修飾，DNA甲基化不改變DNA序列的內容，且可以遺傳。DNA甲基化能夠調節基因的表達，對于癌癥的發生以及發展有著重要的作用。TCGA是一個專門針對癌癥的研究項目，包含了多種癌癥的測序數據[2]，其中也包括了DNA甲基化的測序數據，而且，研究人員設計了多種分析DNA甲基化的工具[3]，可以選用一些適合的工具來分析TCGA數據庫中的甲基化數據。本文對TCGA計劃及其中的甲基化數據進行了討論，介紹了處理甲基化數據的常用工具，通過這些工具分析和挖掘TCGA中的DNA甲基化數據，可以加深人類對于癌癥的認識。

1 癌癥基因圖譜計劃

癌癥基因圖譜計劃是一項關于癌癥研究的重要項目，在研究中主要使用分子層面的數據研究癌癥，研究的數據由不同的機構按照統一的協議完成，完成后提交到該計劃的數據庫中。該計劃數據庫中的的數據包含了癌癥的基因組學數據，表觀組學數據，轉錄組學數據，蛋白組學數據等。該計劃主要針對各種癌癥展開研究，包含了33種癌癥，超過11000名患者的數據，數據庫中包含癌癥數據和正常樣本數據，該計劃開放了大部分數據的使用權，可以從癌癥基因圖譜計劃的網址下載數據，也可以使用第三方的工具下載數據。科研人員針對數據庫中的數據，可以開展單一的癌癥研究[4]，或者可以進行多種癌癥的聯合研究。該計劃中的數據種類繁多，可以使用一種數據進行分析，也可以使用多種數據聯合分析。分析該計劃中癌癥的相關數據，可以從分子層面加深人類對于癌癥機理的了解和認識，該計劃數據庫中的甲基化數據是其中一項重要的研究數據，展開TCGA數據庫中的DNA甲基化數據的相關研究，可以對于癌癥的預防、診斷、治療提供幫助[5]。

2 癌癥基因圖譜計劃甲基化數據

表觀遺傳修飾是核酸序列未改變時，遺傳物質發生了可以遺傳到下一代的改變。DNA甲基化是研究較多的一種表觀遺傳修飾，DNA甲基化與癌癥緊密聯系，DNA甲基化的異常改變會導致癌癥的產生及進一步發展[6]。異常DNA甲基化位于基因的不同區域，對于基因表達的影響不同，通常，當DNA高甲基化位于基因的啟動子區域時，會導致抑癌基因表達的下調，從而促進了癌癥的發生。

癌癥基因圖譜計劃中較為常用的DNA甲基化測序數據包括27K數據和450K數據，數據使用beta值來衡量甲基化的程度，DNA甲基化測序芯片數據來源于因美納（Illumina）公司的測序平臺，該測序平臺是較為常用的甲基化測序平臺。27K數據來源于因美納公司HumanMethylation27測序平臺，該平臺的測序數據中包含了大于27000個DNA甲基化的位點。450K測序數據來源于因美納公司HumanMethylation450測序平臺，該平臺的測序數據包含了大于450000個甲基化位點，基本上覆蓋了基因的不同區域，并且覆蓋了99%的參考基因組[7]，此外還覆蓋了CpG島及其相關區域。TCGA數據庫的甲基化數據中，Level1的數據為原始的測序數據，level2和level3為經過處理的數據，Level3的數據將甲基化位點的beta值映射到了基因組上。

3 癌癥基因圖譜計劃甲基化數據分析工具

DNA甲基化數據需要經過進一步的分析，得到相應的結果。由于DNA甲基化數據較大，進行多個樣本分析時，通常需要在服務器端開展工作，前期要將用到的程序開發環境安裝于服務器端。處理甲基化數據時，根據分析的需求，可以使用相應的工具，運行特定的程序。

分析甲基化數據的工具，對于因美納公司來說，針對自身的甲基化測序平臺，提供了相應的處理甲基化芯片數據的軟件：GenomeStudio，該軟件是收費軟件，可以實現對數據的特定分析，結果可以以圖像形式展現。此外，分析甲基化數據可以使用開源的軟件及其平臺，一般使用R語言及其相應的平臺及包，如：Bioconductor平臺。甲基化數據分析首先需要下載數據，數據可以由TCGA數據庫直接下載，或者使用R語言的包下載，如：TCGAbiolinks[8]。甲基化數據下載完成后，通常選用R語言的特定甲基化處理的包進行分析。常用的包有：Minfi、ChAMP、wateRmelon等，這些包的功能十分強大，包含了處理甲基化數據的基本流程，包括了數據導入、預處理、差異分析，圖形化等。使用人員可以按照自己的情況，選用不同的包進行甲基化數據的處理。

4 癌癥基因圖譜計劃450K甲基化數據的分析

要使用癌癥基因圖譜計劃的DNA甲基化450K數據開展癌癥的研究，首先需要下載450K的甲基化數據，通常下載level3的數據。需要對癌癥和正常組織的數據進行預處理，如：NA值的處理方式，是直接刪除還是使用算法補全，如果補全的話，需要考慮使用何種算法補全，最為常用的補全算法為最鄰近節點算法。接著就可以進行差異甲基化位點的計算，并計算出高低甲基化的基因，此外，可以接著下載基因的表達數據，計算高低表達的基因，然后高低甲基化位點結合高低表達基因進行分析，可以對這些特定基因的通路進行研究，獲得特定的基因。

5 結束語

本文重點討論了TCGA計劃中的甲基化數據，以及使用R軟件中處理這些數據的包，通過使用R的包分析甲基化數據，可以獲得癌癥和正常樣本的差異甲基化位點、差異甲基化區域，差異甲基化基因，從而可以開展進一步的研究。本文的論述可以對開展相關甲基化研究的工作提供一些初步的幫助，為研究人員提供一些基本的研究思路。DNA甲基化測序數據有不少類別，TCGA數據庫的甲基化數據種類有限，在甲基化的研究中可以考慮結合其他數據庫，如基因表達數據庫。使用其他數據庫中DNA甲基化位點覆蓋度更高的的測序數據，如：全基因組甲基化測序數據[9]，從而可以得到更多的DNA甲基化位點，以期獲得更好的研究結果。