dafabet手机黄金版_dafabet黄金手机版

导语

DNA甲基化是表观遗传学研究的重要组成，主要参与胚胎发育、基因印记、X染色体失活等过程，在正常的细胞发育和维持组织稳定性方面有着重要的作用机制。但异常的DNA甲基化也可能导致疾病、肿瘤的发生，因此检测DNA甲基化或许能在疾病诊断、预防、治疗中起到重要作用。

常用的DNA甲基化研究方法包括850K芯片、WGBS、RRBS、MeDIP以及甲基化靶向测序等，其中应用芯片这个高通量手段检测基因组的甲基化，具有单碱基识别、低起始量、重复性高等优点，为此Illumina推出Illumina DNA甲基化芯片。其中新一代的甲基化芯片-850K可检测人全基因组约853,307个CpG位点的甲基化状态，850K芯片不但保持了对CpG岛，基因启动子区的全面覆盖，还特别加强了增强子区以及基因编码区的探针覆盖。广泛应用于干细胞研究、肿瘤和其他复杂疾病研究，是目前最适合表观基因组全关联分析研究的全基因组DNA甲基化芯片。

癌症是一种异质性疾病，有研究表明[1]，甲基化变异性增加可能有助于其异质性，癌症表观遗传异质性的增加可能是癌细胞快速适应变化环境能力的基础。陆续也有不少研究[2-5]观察到正常样本之间一致的甲基化和癌症样本之间高度可变的甲基化，因此，识别甲基化位点变异性可能与理解疾病表型的差异甲基化一样重要，可以更好地理解肿瘤的发生。然而，在分析DNA甲基化数据时，目前主要关注的是组内变异性小而组间均值差异大的显著差异甲基化位点(Differential Methylation CpGs Positions，DMP)，每组内的测量结果往往相当一致。本文主要给大家介绍探究甲基化变异性的分析方法-DNA甲基化显著波动位点（Differentially variable CpG position, DVP）分析，也叫变异性甲基化位点分析。DVP指的是组间变异性显著差异的位点，是指其中一组样品的甲基化值一致，而另一组样品的甲基化值高度变化的位点。在做DNA甲基化的关联分析时，DMP的结果有时可能不尽人意，而DVP的分析或许能给我们带来新的思路与结果，成为甲基化以后的研究热点。

方法简述

DMP是计算组间DNA甲基化平均值的差异。而DVP是一种基于组间数据的变异程度，通过计算方差的分析方法，观测DNA甲基化β值的“波动”性，发现DMP分析无法找到的CpGs。对于复杂疾病，常见的t检验或回归方程，难以得到差异显著的且有意义的位点，此时推荐同时使用DVP分析方法。

dafabet黄金手机版针对DVP分析主要是采取了比较经典的方法-DiffVar[6]，DiffVar是一种测试样本间DVP位点的方法，相较于F检验和Bartlett检验对异常值的高度敏感，DiffVar采用经典贝叶斯框架，对异常值具有鲁棒性。最后还有对得到的显著变异位点对应的基因做GO、KEGG、代谢等功能分析，探究DVP与疾病的关系。

结果展示

2.1 DVP位点表格

2.2 DVP Top10位点散点图

选取diffvar分析p值最小的10个位点作散点图。

注：纵坐标代表beta值，横坐标代表实验组和对照组，每个位点名称标注在图上方

2.3 功能分析

针对diffvar分析的·DVP相关基因集，进行GO功能（TopGO软件）、KEGG通路（KEGG数据库）、Disease功能注释（DisGeNET疾病数据库）、Reactome通路（Reactome数据库）以及蛋白互作（STRING 数据库）等分析。

此功能分析和常规测序中的结果一致，故在此不多加赘述。

文章案例

Ⅰ型糖尿病中三种免疫效应细胞的DNA甲基化变异性增加[7]

发表期刊：Nature Communications

影响因子：17.694

文章链接：Increased DNA methylation variability in type 1 diabetes across three immune effector cell types

1型糖尿病(T1D)的发病率在过去十年中大幅增加，这表明非遗传因素如表观遗传机制在疾病发展中发挥了重要作用。在这里，作者提出了一项表观基因组全关联研究，研究对象是52对三种免疫效应细胞类型中T1D不一致的同卵双胞胎的406,365个CpGs。观察到T1D双胞胎的DVPs与健康的同卵双胞胎和健康的不相关个体相比显著增加。这些T1D相关的DVP被发现是暂时性稳定的，并且在基因调控元件上富集。通过对DVP相关基因进行功能富集分析发现主要参与免疫细胞代谢和细胞周期的途径，包括mTOR信号通路。来自显性T1D新生儿脐带血的证据表明，DVP可能在出生后出现。该结果表明表观遗传变化可能有助于T1D的疾病发生。

DMP和DVP分析结果

参考文献

1.  

2. 1.     Hansen KD, Timp W, Bravo HC, Sabunciyan S, Langmead B, McDonald OG, Wen B, Wu H, Liu Y, Diep D, Briem E, Zhang K, Irizarry RA, Feinberg AP: Increased methylation variation in epigenetic domains across cancer types. Nat Genet 2011, 43:768–775.

3. 2.     Feinberg AP, Irizarry RA: Evolution in health and medicine Sackler colloquium: stochastic epigenetic variation as a driving force of development, evolutionary adaptation, and disease. Proc Natl Acad Sci USA 2010, 107:1757–1764.

4. 3.     Feinberg AP, Irizarry RA, Fradin D, Aryee MJ, Murakami P, Aspelund T, Eiriksdottir G, Harris TB, Launer L, Gudnason V, Fallin MD: Personalized epigenomic signatures that are stable over time and covary with body mass index. Sci Transl Med 2010, 2:49ra67.

5. 4.     Issa J-P: Epigenetic variation and cellular Darwinism. Nat Genet 2011, 43:724–726.

6. 5.     Jaffe AE, Feinberg AP, Irizarry RA, Leek JT: Significance analysis and statistical dissection of variably methylated regions. Biostatistics 2012, 13:166–178.

7. 6.     Phipson, B. & Oshlack, A. DiffVar: a new method for detecting differential variability with application to methylation in cancer and aging. Genome Biol. 15, 465 (2014).

8. 7.     Paul DS. et al. Increased DNA methylation variability in type 1 diabetes across three immune effector cell types. Nat Commun. 7,13555(2016)

9.