论文部分内容阅读
目的
构建预测电离辐射诱导DNA双链断裂(DSB)水平的随机森林分类模型，初步研究DSB在基因组中的分布规律。
方法将GRCh38参考基因组分为50 kb的片段，根据MCF-7细胞的测序数据把片段分为电离辐射诱导的DSB低水平和高水平区域，以8种表观遗传学特征作为输入，随机将数据集的2/3列为训练集，1/3列为测试集，构建含100棵决策树的随机森林分类模型。分析分类模型中表观遗传学的特征重要性，展示这些标记在不同DSB水平区域的富集差异。
结果随机森林分类模型在测试集上预测的准确率为99.4%，精准率为98.9%，召回率为99.9%，受试者操作特征曲线下面积为0.994。8个特征中H3K36me3和DNase标记的重要性最高，富集分析表明DSB高水平区域的这两类标记明显高于DSB低水平区域。
结论以表观遗传学数据作为特征输入，随机森林分类模型可在50 kb基因组区域上准确预测电离辐射诱导的DSB水平，分析表明这些DSB可能主要分布在基因组中转录活跃的部位。