PREDICTD PaRallel Epigenomics Data Imputation with Cloud-based Tensor Decomposition.
PREDICTD PaRallel Epigenomics Data Imputation with Cloud-based Tensor Decomposition.
复制标题
DOI：
10.1038/s41467-018-03635-9
复制
发表时间：
2018-04-11
影响因子：
16.6
通讯作者：
Noble WS
中科院分区：
文献类型：
--
作者：
Durham TJ;Libbrecht MW;Howbert JJ;Bilmes J;Noble WS
DNA 元素百科全书 (ENCODE) 和路线图表观基因组学项目试图通过检测来表征不同细胞类型的表观基因组，例如鉴定具有修饰组蛋白或可接近染色质的基因组区域。这些努力已经产生了数千个数据集，但不可能测量所有细胞类型中的每个表观基因组因素。为了解决这个问题，我们提出了一种方法，即基于云的张量分解的 PaRallel 表观基因组数据插补 (PREDICTD)，以计算方式插补缺失的实验。 PREDICTD 利用一种称为“张量分解”的优雅模型来同时估算许多实验。与当前最先进的方法 ChromImpute 相比，PREDICTD 产生较低的总体均方误差，并且将两种方法结合起来可以得到进一步的改进。我们表明 PREDICTD 数据捕获了非编码人类加速区域的增强子活动。 PREDICTD 提供用于研究新细胞类型的参考估算数据和开源软件，并演示了张量分解和云计算的实用性，这两种技术在生物信息学方面都有前景。迄今为止，已经在一组选定的条件下进行了表征表观基因组和询问全基因组染色质状态的分析。在这里，达勒姆等人。开发一种基于张量分解的计算方法来估算表观基因组实验集合中缺失的实验。
The Encyclopedia of DNA Elements (ENCODE) and the Roadmap Epigenomics Project seek to characterize the epigenome in diverse cell types using assays that identify, for example, genomic regions with modified histones or accessible chromatin. These efforts have produced thousands of datasets but cannot possibly measure each epigenomic factor in all cell types. To address this, we present a method, PaRallel Epigenomics Data Imputation with Cloud-based Tensor Decomposition (PREDICTD), to computationally impute missing experiments. PREDICTD leverages an elegant model called “tensor decomposition” to impute many experiments simultaneously. Compared with the current state-of-the-art method, ChromImpute, PREDICTD produces lower overall mean squared error, and combining the two methods yields further improvement. We show that PREDICTD data captures enhancer activity at noncoding human accelerated regions. PREDICTD provides reference imputed data and open-source software for investigating new cell types, and demonstrates the utility of tensor decomposition and cloud computing, both promising technologies for bioinformatics. Assays to characterize the epigenome and interrogate chromatin state genome wide have so far been performed in a selected set of conditions. Here, Durham et al. develop a computational method based on tensor decomposition to impute missing experiments in collections of epigenomics experiments.
登录
查看更多内容
影响因子：
64.8
作者：
Ernst, Jason;Kheradpour, Pouya;Mikkelsen, Tarjei S.;Shoresh, Noam;Ward, Lucas D.;Epstein, Charles B.;Zhang, Xiaolan;Wang, Li;Issner, Robbyn;Coyne, Michael;Ku, Manching;Durham, Timothy;Kellis, Manolis;Bernstein, Bradley E.
通讯作者：
Bernstein, Bradley E.
影响因子：
46.9
作者：
Ernst J;Kellis M
通讯作者：
Kellis M
影响因子：
64.5
作者：
Neph S;Stergachis AB;Reynolds A;Sandstrom R;Borenstein E;Stamatoyannopoulos JA
通讯作者：
Stamatoyannopoulos JA
影响因子：
30.8
作者：
Hore, Victoria;Vinuela, Ana;Buil, Alfonso;Knight, Julian;McCarthy, Mark I.;Small, Kerrin;Marchini, Jonathan
通讯作者：
Marchini, Jonathan
影响因子：
3
作者：
Cremona MA;Sangalli LM;Vantini S;Dellino GI;Pelicci PG;Secchi P;Riva L
通讯作者：
Riva L