息，采用岭回归模型对真实甲基化水平 RRBSlevel和回归参数建立回归模型；
[0052] 回归模块：利用岭回归理论，并依据提取出来的基因组信息和甲基化信息，对基因 组上的胞嘧啶位点进行回归以得到甲基化水平的模块。
[0053] 与现有技术相比较，本发明具有如下有益效果：
[0054] 利用数学模型，对基因组上的RRBS未覆盖的胞嘧啶位点进行岭回归预测，使得甲 基化水平检测的准确度大于95%，从而消除MB-seq的偏差并得到全基因组甲基化图谱。利 用本发明可以从高通量测序MB-seq数据中，精确计算全基因组每一个CpG的甲基化水平。
[0055]
[0056]
【具体实施方式】
[0057] 基于岭回归矫正MB-seq甲基化水平的方法，包括以下步骤：
[0058] (1)提取信息⑵建模⑶岭回归计算；
[0059] 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；
[0060] 所述的步骤（2)建模如下：
[0062]其中：
[0063]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；
[0064] 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；
[0065] 所述的步骤（3)岭回归计算具体是
[0067] 对求导，结果为
[0068] 2XT(Y-XW) -2 入W
[0069] 令其为0,求得的值：
[0071] 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。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。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：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；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。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；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。在在模型数据训练时：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；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0,这使得回归平面经 过原点，即常数项为0 ;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 变量的均值为〇,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。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。在步骤（3)岭回归计算之后，进行如下对异常点处理： 1)将MB-seq检测深度为0的位点定义为甲基化水平为0 ;2)结合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（MBd印th)，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)，以及每一个CpG位点上下游100bp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；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0的位点自动归为甲基化水平为0。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。
[0072] 岭回归模型是采用岭回归实现的一种正则化线性回归。当多个预测因子含有非0 系数并且呈现正态分布的时候，岭回归是理想的回归方法，岭回归对每一个预测因子影响 小的模型尤其适用，并且它防止线性回归模型系数由于共线性而导致无法模拟和高变异 性。岭回归对共线预测因子的系数收缩并趋于零，例如，给出k相同的预测因子，都将获 得相同的系数等于1/k的单个因子的回归系数值。因此，岭回归不会使某个因子消失，不 能将某些因子摒弃来获得最优预测数据集。岭回归（2)估计解决回归问题（1)使用￡2惩罚 最小二乘法：
[0073]y=yln+X|3 +e: (1)
[0074]y=(yi，…，yn)T其中是观察表型的向量，ln是一个n维列向量的，y是一种常 见的截距，是nXp矩阵的表示，|3表示回归系数的向量，61是残差的向量和
是残差的误差。
[0076]其中
[0078] 是U-normi(二次方程式）损失函数（即残差平方和），X,7是X向量的第i个 行。
[0080] AH:2-norm坫于|3罚分，入彡0是调优（罚分，正规化，或复杂化）参数，这 些参数通过相对重要性决定经验误差和惩罚调节罚分的强度（即线性收缩）。A值越大， 收缩量越大。A的值依赖于数据，通过数据驱动的方法（交叉验证）进行确定使用。
[0081] CpG密度、GC含量以及CpG-〇E值三者计算方法分别为：
[0082] CpG密度：某一个CpG上下游各100bp范围内CpG个数除于201bp长度得到此CpG 位点的CpG密度；
[0083] GC含量：某一个CpG上下游各100bp范围内C和G总数除于201bp长度得到此CpG 位点的GC含量；
[0084] CpG-〇E值：CpG上下游各100bp范围内CpG个数乘于210bp，然后除于C和G个数 的乘积。
[0085] 岭回归矫正MB-seq甲基化水平的系统，包括以下模块：
[0086] 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 ;
[0087] 建模模块：根据基因组信息和甲基化信息，采用岭回归模型对真实甲基化水平 RRBSlevel和回归参数建立回归模型；
[0088] 回归模块：利用岭回归理论，并依据提取出来的基因组信息和甲基化信息，对基因 组上的胞嘧啶位点进行回归以得到甲基化水平的模块。
[0089] 优选的，提取模块提取信息后，设置阈值过滤模块，还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。
[0090] 优选的，在回归模块计算之前，还设置数据训练和测试模块，采用交叉验证评估模 型进行数据训练和测试：
[0091] 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；
[0092] 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；
[0093] 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