来源：分析测试百科网

　　 如今，DNA甲基化的检测已经达到了单细胞的分辨率。不过，目前的方法还不能完整覆盖CpG，总是留下一些缺口。英国的一个团队最近开发出一种计算方法，可准确填补这些缺口。这项结果发表在《Genome Biology》杂志上。

　　研究人员使用所谓的深度神经网络策略来开发他们的方法，并命名为DeepCpG。他们将这种方法应用在几种小鼠或人类细胞的单细胞DNA甲基化数据上，证明DeepCpG在预测DNA甲基化上比现有的策略更佳。

　　这篇文章的通讯作者是欧洲分子生物学实验室的团队负责人Oliver Stegle。他在文中写道：“对于所有的细胞类型，DeepCpG能够比以往的方法更准确地预测甲基化状态。这种方法同时也揭示了已知和de novo序列motif，它们与细胞之间的甲基化变化存在关联。”

　　DeepCpG将标有序列线索的DNA模块与双向门控递归网络相结合，此网络追踪基因组中CpG位点的甲基化是否存在。所得到的的“联合模块”将学习DNA-CpG相互作用，以便产生普遍预测DNA甲基化的模型。

　　研究人员指出，一旦接受了适当的训练，DeepCpG就能完成各种任务，包括预测粗略测序细胞中的甲基化，以及鉴定细胞中的DNA motif，它们通常与特定的甲基化状态或细胞之间的甲基化改变相关联。

　　之后，研究人员将DeepCpG方法用在18个小鼠胚胎干细胞的单细胞亚硫酸氢盐序列数据上。他们发现，无论是在全基因组范围，还是在不同的基因组背景，这种方法都能够比其他方法更准确地预测DNA甲基化。

　　团队随后又将DeepCpG用在数十个小鼠或人类细胞上，这些细胞要么经历过单细胞亚硫酸氢盐测序（scBS-seq），要么经历过简化的测序（scRRBS-seq）。他们研究了其甲基化预测的性能，以及将特定的DNA motif与胞嘧啶甲基化特征相关联或评估DNA突变的甲基化影响的能力。

　　“DeepCpG发现的一些motif与参与DNA甲基化调控的已知motif相匹配，”作者在文中写道。“它可以发现的motif实际上取决于所研究的细胞类型以及驱动甲基化变化的潜在因素。”