- 1次围观
子宫内膜异位症是一种慢性炎症性疾病，与盆腔疼痛、不孕症及诊断延迟相关。越来越多的证据表明，DNA甲基化异常参与该疾病的发生发展，并有望作为疾病生物标志物。我们利用来自在位子宫内膜组织的全基因组DNA甲基化数据，构建了一套防止数据泄漏的机器学习流程，用于分类子宫内膜异位症病例—对照状态及月经周期阶段。该数据集包括984份样本，采用Illumina Infinium MethylationEPIC芯片进行检测，覆盖约759,000个CpG位点。我们使用SmartSVA批次校正方法校正技术变异。采用分层80/20训练集—测试集划分训练岭逻辑回归模型，并通过分层交叉验证选择正则化强度。特征选择方法包括基于岭回归系数的排序、逐CpG位点t检验，以及经FDR校正的单变量逻辑回归。模型有效性通过标签置换分析进行评估。月经周期阶段分类表现出较强的性能（交叉验证平均AUROC：0.971；留出测试集AUROC：0.989），反映了全基因组范围内由激素驱动的甲基化变化。岭回归在子宫内膜异位症分类中的表现较低，但仍具有实际意义（交叉验证平均AUROC：0.854；留出测试集AUROC：0.875）。基于岭回归系数的特征选择识别出规模精简且具有预测能力的CpG位点集合，支持以下假设：子宫内膜异位症相关的甲基化信号分布于众多位点，而非集中于少数具有极强预测能力的CpG位点。通路富集分析显示，月经周期阶段具有显著富集，而在FDR校正后，疾病状态的富集程度有限，这与子宫内膜异位症相关信号呈弥散分布的特征一致。这些研究结果表明，岭回归能够检测与子宫内膜异位症及月经周期阶段相关的甲基化模式，并凸显了在子宫内膜DNA甲基化研究中考虑月经周期相关表观遗传变异的重要性。
子宫内膜异位症是一种慢性炎症性疾病，与盆腔疼痛、不孕以及诊断延迟相关。越来越多的证据表明，DNA甲基化改变参与了该疾病的发生发展，并可能作为疾病生物标志物。我们利用来自在位子宫内膜组织的全基因组DNA甲基化数据，开发了一套可避免数据泄漏的机器学习流程，用于对受试者是否患有子宫内膜异位症以及月经周期阶段进行分类。该数据集包含984份样本，采用Illumina Infinium MethylationEPIC芯片进行检测，覆盖约759,000个CpG位点。我们使用SmartSVA批次校正方法校正技术变异。采用分层80/20训练集—测试集划分训练岭逻辑回归模型，并通过分层交叉验证选择正则化强度。特征选择方法包括基于岭回归系数的排序、逐CpG位点t检验，以及经FDR校正的单变量逻辑回归。通过标签置换分析评估模型的有效性。月经周期阶段分类表现出较强的性能（交叉验证平均AUROC：0.971；留出测试集AUROC：0.989），反映了全基因组范围内由激素驱动的甲基化变化。岭回归在子宫内膜异位症分类中的表现较低，但仍具有实际意义（交叉验证平均AUROC：0.854；留出测试集AUROC：0.875）。基于岭回归系数的特征选择识别出了一组紧凑的预测性CpG位点，支持以下假设：子宫内膜异位症相关的甲基化信号分布于多个位点，而非集中于少数具有高度预测性的CpG位点。通路富集分析显示，月经周期阶段具有显著富集，而在FDR校正后，疾病状态的富集程度有限，这与子宫内膜异位症相关信号呈弥散分布的特征一致。这些研究结果表明，岭回归能够检测与子宫内膜异位症和月经周期阶段相关的甲基化模式，凸显了在子宫内膜DNA甲基化研究中考虑周期相关表观遗传变异的重要性。
感谢您有兴趣帮助传播bioRxiv的相关信息。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.09.02.749016v1?rss=1
🏷️ DNA甲基化 子宫内膜异位症 机器学习 表观遗传生物标志物 月经周期阶段