们没有结合亚 硫酸盐处理或者甲基化敏感的限制性内切酶酶切，无法得到单碱基分辨率的DNA甲基化 图谱，其分辨率大约为l〇〇bp。
[0012] (6)针对免疫共沉淀甲基化DNA测序数据的分析方法
[0013] 由于MethylC-seq的高成本、RRBS和MRE-seq的基因组低覆盖度、MeDIP-seq 和MBD-seq的低分辨率，促使研宄人员利用生物信息算法去更好维持成本、基因组覆盖度 和分辨率之间的平衡，从而使得高通量测序更好服务于DNA甲基化组的研宄。基于免疫 共沉淀甲基化DNA的高通量测序数据，人们开发了一系列生物信息学算法，具体如下。针 对MBD-seq和MeDIP-seq的测序数据，MEDME和BayMeth分别被开发了出来，它们能够将 测序数据中得到的reads数量转换成窗口大小为100bp的区域甲基化水平（Riebleret al. 2014) ;MEDIPS可以将MelDP-seq数据进行计算，从而实现单碱基分辨率的DNA甲基化 图谱，但其得到的并非C的甲基化水平，而是介于1 一 1000的MEDIPS值，导致其得到的结 果无法和其他单碱基分辨率的DNA甲基化检测技术得到的结果相互比较；Batman是另一 款针对MeDIP-seq数据的生物信息学算法，其可实现单个CpG的DNA甲基化水平预测，但 所耗费的计算周期较长（Bock2012)，且算法较为复杂，开发人员也未提供完整的代码安 装文件，使得其他研宄者无法很好的重复该算法，另外batman所得到CpG甲基化水平往往 较真实甲基化水平偏低（Riebleretal. 2014);近来，一种基于条件随机场算法的机器自 动学习工具被开发出来，用于MeDIP-seq和MRE-seq整合后数据的单碱基分辨率DNA甲基 化图谱预测，但其应用于人胚胎干细胞系H1所得到的结果，通过与MethylC-seq测序所得 到的结果进行相关性分析发现，pearson系数仅达到0.77(Stevensetal. 2013)，并且由 于MethylCRF未考虑拷贝数变异对于DNA甲基化水平预测结果的影响，使得该方法在应用 于肿瘤发生时，可能会得到更失真的DNA甲基化组（Laird2010;Robinsonetal.2012; Riebleretal. 2014)〇
[0014] (7)做为本领域所公知的现有技术，MB-seq-甲基化DNA富集结合亚硫酸盐翻转 的甲基化检测技术（MeDIPbisulfitesequencing,MB-seq)拥有许多优点：它是一种高通 量的、单碱基分辨率的、低成本的、可适用于多种已知序列物种的DNA甲基化检测技术，但 是MB-seq存在甲基化水平的偏差，MB-seq甲基化水平被线性放大，所以MB-seq得到的单 个CpG位点的甲基化水平是相对甲基化水平。
【发明内容】
[0015] 针对现有技术中MB-seq-甲基化DNA富集结合亚硫酸盐翻转的甲基化检测技术 存在的甲基化水平的偏差的问题。发明人研发了一种基于岭回归矫正MB-seq甲基化水平 的方法及系统，考虑多种与DNA甲基化水平相关的因素，可以将MB-seq的相对甲基化水平 矫正到全基因组的胞嘧啶位点的绝对甲基化水平。
[0016] 本发明提供的基于岭回归矫正MB-seq甲基化水平的方法，包括以下步骤：
[0017] (1)提取信息
[0018] ⑵建模
[0019] (3)岭回归计算；
[0020] 其中，所述的步骤（1)需要提取的信息有：从参考基因组序列中提取基因组CpG密 度、GC含量和CpG-〇E值；从MB-seq高通量测序数据唯一比对结果中，提取已知基因组上每 个胞嘧啶的相对甲基化信息；从RRBS高通量测序数据唯一比对结果中，提取覆盖到的每个 胞嘧啶的绝对甲基化信息；
[0021] 所述的步骤（2)建模如下：
[0023]其中：
[0024]y:目标函数；为以RRBS高通量测序数据唯一比对结果中提取到的覆盖到的每个 胞嘧啶的绝对甲基化信息；
[0025] x:回归变量矩阵；包括行、列；每行代表每个CpG变量；每列分别为每个变量的 CpG密度、GC含量、CpG-〇E值以及相对甲基化信息；
[0026] 所述的步骤（3)岭回归计算具体是
[0028] 对求导，结果为
[0029] 2XT (Y-XW) -2 入W
[0030] 令其为0,求得的值：
[0032] 输入新的回归变量矩阵X即可获得新Y值，即而获得全基因组的胞嘧啶位点的绝 对甲基化水平。
[0033] 优选的，在所述的步骤（1)中提取信息后，将提取到的信息进行阈值过滤，过滤低 质量碱基和序列，并过滤adapter污染序列。以得到更为精确合理的甲基化水平。
[0034]优选的，在所述的步骤（3)计算之前，采用交叉验证评估模型进行数据训练和测 试：
[0035]a).将预测特征变量和真实的甲基化水平分成训练和测试数据集；随机抽取50% 的CpG位点作为训练数据，剩下的50%作为测试数据；
[0036]b).先使用训练数据训练模型；再计算预测甲基化水平值和RRBS测量的甲基化水 平值之间的相关性系数；这个过程重复N次，N次的平均相关性系数用来表示模型的预测精 度；优选的，N多1000。可以获得更为精确的数据。
[0037] 对于每个基因组元件，单独进行训练和岭回归测试；而对同时位于多个基因组元 件的CpG位点，；取多个预测值的平均值；
[0038] c).甲基化水平的预测是全基因组范围的，并且对于RRBS原本就覆盖的位点，采 取RRBS的观测值作为最终的甲基化水平；所有未被RRBS覆盖的CpG位点，一律认为其未被 甲基化，并且不用于岭回归，甲基化水平预测值小于0或者大于分别基于岭回归的原则规 整到0和1。
[0039] 优选的，在在模型数据训练时：
[0040]a).当变量间存在共线性的时候，通过引入lambda表达式以解决最小二乘回归得 到的系数不稳定，方差很大的问题；
[0041]b).当模型包含常数项时，岭回归函数对y进行中心化，以y的均值作为因子；对 X进行中心化和归一化，以x中各个变量的均值和标准差作为因子；这样对x和y处理后，x 和y的均值为〇,这使得回归平面经过原点，即常数项为〇 ;
[0042]c).当模型不包含常数项时，因为要强制通过原点，该模型假设各个变量的均值为 0,因此不对X和y进行中心化，但是对x进行归一化，而且归一化因子也是假设变量均值为 〇计算出来的该变量的标准差。
[0043] 优选的，在使用该模型进行测试的时候，需要首先对x和y进行中心化和归一化， 此时因子是使用训练模型时候进行中心化和归一化的因子，然后再与系数相乘得到预测结 果。
[0044] 优选的，在步骤（3)岭回归计算之后，进行如下对异常点处理：
[0045] 1)将MB-seq检测深度为0的位点定义为甲基化水平为0;
[0046]2)结合MB-seq甲基化水平的观测值（MB level)，甲基化CpG个数（MB mCG)，MB-seq测序深度（MB depth)，当前CpG侧翼+/_100bp区域的MB-seq检测到的平均 甲基化水平（MB back),这200bp范围的甲基化CpG位点总数（MB mCG)，以及每一个CpG位 点上下游l〇〇bp的基因组CpG密度、GC含量，CpG-〇E值等对甲基化水平检测的影响，利用 岭回归导入到模型中，并且机器学习得到某一胞嘧啶位点甲基化水平；
[0047] 3)将回归得到的甲基化水平超过1的位点自动归为甲基化水平为1，而回归的甲 基化水平值小于〇的位点自动归为甲基化水平为0。
[0048] 优选的，所述的相对甲基化信息包括：MB-seq甲基化水平的观测值MBlevel，甲 基化CpG个数MBmCG,MB-seq测序深度MBdepth,当前CpG侧翼+/_100bp区域的MB-seq 检测到的平均甲基化水平MBback,这200bp范围的甲基化CpG位点总数MBmCG。
[0049] 岭回归矫正MB-seq甲基化水平的系统，包括以下模块：
[0050] 提取模块：从参考基因组序列中提取基因组CpG密度、GC含量和CpG-〇E值；从 MB-seq高通量测序数据唯一比对结果中，提取已知基因组上每个胞嘧啶的相对甲基化信 息；从RRBS高通量测序数据唯一比对结果中，提取覆盖到的每个胞嘧啶的绝对甲基化信 息；所述的相对甲基化信息包括 ：MB-seq甲基化水平的观测值MBlevel，甲基化CpG个数 MBmCG,MB-seq测序深度MBdepth,当前CpG侧翼+/_100bp区域的MB-seq检测到的平均 甲基化水平MBback,这200bp范围的甲基化CpG位点总数MBmCG ;
[0051] 建模模块：根据基因组信息和甲基化信