细胞异质性校正克隆甲基化（CHALM）方法提升基因表达预测能力

# 细胞异质性校正克隆甲基化（CHALM）方法提升基因表达预测能力

**作者：吉祥法师**

## 核心概念

DNA甲基化是一种至关重要的表观遗传修饰，其在转录调控中的作用已被广泛研究数十年。Jones等人早期研究证明，启动子区域被甲基化的CpG位点（mCpGs）能够被甲基-CpG结合域蛋白识别，进而招募组蛋白去乙酰化酶复合物来抑制下游基因表达。然而，一个长期困扰科学界的谜团是：尽管启动子甲基化与基因沉默的分子机制已被充分阐明，但几乎所有基于全基因组甲基化测序技术的研究都显示，启动子甲基化与基因表达之间的全局相关性相当微弱。

这种明显的矛盾促使科学家们探索各种解释。一些研究提出，比启动子更长的区域（如转录起始位点周围10kb窗口）的复杂甲基化模式可能更好地解释基因表达。但至今为止，关于为何启动子甲基化单独与基因表达的相关性如此微弱，尚未得到直接解答。

## 传统甲基化定量方法的局限性

传统甲基化定量方法的核心缺陷在于其过于简化的计算方式。该方法仅计算启动子区域内每个CpG位点的平均甲基化水平，忽视了测序细胞群中存在的显著异质性。具体而言，这种方法将细胞内或细胞间的CpG位点视为等同的独立单元，而未能考虑甲基化在单细胞水平上的克隆分布模式。

为了更清晰地说明这一局限性，我们考虑两个假设的细胞群体。在群体A中，20%的细胞在某个启动子区域完全甲基化，而其余80%的细胞完全未甲基化。在群体B中，每个细胞的启动子区域恰好有一个甲基化CpG位点。传统定量方法计算出的甲基化水平在这两个群体中是相同的。然而，考虑到此前研究已证实单个甲基化CpG位点就足以招募甲基-CpG结合域蛋白进行基因抑制，这两个群体中的基因抑制情况应该截然不同——群体A中仅20%的细胞该基因被抑制，而群体B中100%的细胞该基因都被抑制。

## CHALM方法的创新设计

针对传统方法的这一根本性缺陷，我们开发了细胞异质性校正克隆甲基化定量方法。这一方法利用了二代测序中的一个关键特性：每条亚硫酸盐测序读段很可能代表被测序细胞群中的单个细胞。因此，通过分析单条读段的甲基化模式，我们可以获得细胞水平的克隆甲基化信息。

克隆甲基化在这里指的是单个细胞中某个基因组位点的二元甲基化状态（甲基化或未甲基化），由亚硫酸盐测序数据中的读段来代表。CHALM方法的核心计算逻辑是：将启动子区域的甲基化水平定义为甲基化读段数（含有至少一个甲基化CpG位点的读段）与映射到该启动子区域的总读段数的比值。

在我们前述的两个假设细胞群体中，CHALM方法计算得到的甲基化水平分别为0.2和1，这一结果更好地反映了实际的转录活性差异。值得注意的是，CHALM确定的启动子CpG岛甲基化水平通常高于传统方法确定的水平，且符合双峰分布，这更加符合生物学中甲基化状态通常呈现开关式变化的基本特征。

## CHALM方法的性能优势

### 基因表达预测能力的显著提升

我们使用CD3原代细胞数据集评估了CHALM方法在全基因组范围内预测基因表达的能力。虽然CHALM和传统方法计算的甲基化水平都与基因表达呈负相关，但CHALM确定的甲基化水平与基因表达之间展现出更加线性和单调的关系。

尤其值得关注的是，在低甲基化启动子CpG岛中，传统方法显示出极弱的甲基化与基因表达相关性，而CHALM方法却在此类区域展现出显著强得多的相关性。这一发现在低甲基化区域尤为重要，因为这些区域在基因组中占绝大多数，传统方法在这些区域的失效可能是导致全局相关性微弱的重要原因。

### 与H3K4me3关系的准确性

DNA甲基化与H3K4me3之间存在已知的互斥关系。未甲基化的H3K4能够释放DNMT3A的自身抑制，从而诱导从头甲基化。我们比较了两种方法在启动子CpG岛中检测甲基化与H3K4me3水平关系的能力。在整体分析中，两种方法都检测到了负相关，但在聚焦于低甲基化基因时，只有CHALM方法能显著检测到这种互斥关系。

### 单基因实例验证

为了具体展示CHALM方法的优势，我们详细分析了两个基因：HIST2H2BF和SSTR5。这两个基因的启动子区域被传统方法判定为具有相似的甲基化水平，但它们的转录活性截然不同。通过CHALM分析发现，HIST2H2BF启动子CpG岛的大部分读段是完全未甲基化的，这解释了其高转录活性。相反，SSTR5基因的大部分读段至少含有一个甲基化CpG位点，表明其高CHALM甲基化水平导致了转录抑制。

## 最佳实验条件与技术要求

我们对CHALM方法的最优使用条件进行了系统评估。结果表明，当甲基化读段定义为含有至少一个甲基化CpG位点的读段时，CHALM表现最佳。此外，CHALM需要平均CpG深度超过7倍才能达到最优性能。读段长度是另一个关键影响因素——标准全基因组亚硫酸盐测序的读段长度约为100bp，这对覆盖启动子CpG岛区域而言过短。

为解决这一问题，我们采用了基于奇异值分解的插补方法扩展读段，发现当读段延伸至300bp时CHALM性能达到平台期。基于这一结果，CHALM方法更偏好双端测序数据，因为其有效读段长度是单端测序的两倍。

## 克隆信息的关键作用

为进一步阐明克隆信息在基因表达预测中的关键作用，我们设计了一个巧妙但直观的深度学习模型。该模型将原始测序数据转化为类似图像的数据结构，其中一个通道包含甲基化信息，另一个通道包含读段位置信息。这种数据结构的优势在于能够充分利用高维信息，例如读段与转录起始位点的距离以及含有多个甲基化CpG位点的读段权重。

实验结果令人瞩目：该深度学习模型在使用传统或CHALM确定的甲基化水平训练的线性模型上表现出显著优势。然而，最关键的发现在于，当我们打乱甲基化CpG位点的位置（将甲基化CpG位点随机分配到不同读段），同时保持甲基化CpG位点总数不变时，深度学习模型和CHALM方法的预测性能都显著下降。这一结果直接证明了克隆信息对基因表达预测的关键作用。

## CHALM在疾病研究中的应用

### 肿瘤发生过程中的高甲基化基因识别

我们使用配对的癌变和正常肺组织样本，比较了CHALM与传统方法在识别差异甲基化基因方面的表现。CHALM方法的甲基化差异与表达差异之间的相关性显著更高。更重要的是，CHALM方法不仅恢复了许多传统方法识别的高甲基化基因，还识别出一些被传统方法遗漏的基因。

这些CHALM独有的高甲基化基因在正常肺组织中更富集H3K27me3修饰。这一发现与已知的肿瘤发生机制一致——多梳蛋白介导的H3K27me3会预先标记基因启动子，为肿瘤发生过程中的从头甲基化做准备。CHALM识别出的高甲基化基因更富集H3K27me3，表明其识别结果比传统方法更为准确。

### 新发差异甲基化区域的功能相关性

我们进一步在肺腺癌向小细胞肺癌转化的表观遗传重编程研究中应用了CHALM方法。肺腺癌是一种生长缓慢的非小细胞肺癌，约占肺癌的40%。在接受酪氨酸激酶抑制剂治疗后，一部分耐药肺腺癌会转化为小细胞肺癌——一种更具侵袭性的神经内分泌肿瘤。

研究发现，CHALM识别的小细胞肺癌低甲基化差异甲基化区域更富集于神经活性配体-受体相互作用通路，该通路已被报道在小细胞肺癌中激活。该通路相关基因在转化过程中确实表达上调。特别值得注意的是，生长抑素受体家族基因的启动子区域在小细胞肺癌中显示出显著的CHALM低甲基化，而传统方法无法检测到这一变化。生长抑素受体是神经内分泌肿瘤的重要标志物和治疗靶点，这一发现具有重要的临床意义。

此外，我们还将CHALM方法应用于衰老过程和阿尔茨海默病发展过程中的新发差异甲基化区域识别，都得到了与基础生物学机制更紧密相关的结果。

## 方法学定位与兼容性

需要强调的是，CHALM是一种量化细胞异质性校正平均甲基化水平的方法，而非直接测量甲基化异质性本身的方法。这使其与之前的表观遗传异质性和熵方法根本不同。与PDR、epipolymorphism和Shannon熵等方法相比，CHALM与传统甲基化方法的相关性最好，且能够区分低甲基化与高甲基化的CpG岛，而异质性指标则呈钟形曲线分布，无法有效区分这些区域。

CHALM方法虽然基于甲基化读段的比例定义，但其输出结果可以转化为每个CpG位点的校正甲基化水平，因此与大多数现有的下游分析工具（如差异甲基化胞嘧啶或差异甲基化区域鉴定工具）兼容。

## 研究意义与展望

CHALM方法的成功开发解决了一个长期存在的分子生物学悖论，揭示了传统甲基化定量方法忽视细胞异质性这一关键缺陷。通过整合克隆甲基化信息，CHALM为理解DNA甲基化在转录调控中的功能后果提供了更加准确的定量工具。

该方法对肿瘤研究尤其重要，为识别与肿瘤发生、发展和治疗耐药相关的功能相关差异甲基化区域提供了更精确的手段。在临床上，这可能有助于更好地理解肿瘤异质性，发现新的表观遗传标志物，并为表观遗传靶向治疗提供理论依据。CHALM方法的开发不仅推动了表观遗传学方法论的进步，也为未来整合细胞异质性信息到其他表观遗传修饰的定量分析中提供了重要参考。