基于Y染色体DNA甲基化构建男性年龄推断模型.pdf

中文摘要

基于Y染色体DNA甲基化构建男性年龄推断模型

摘要

目的：年龄是法庭科学中个体特征刻画的关键环节。当现场生物物证

与DNA数据库中记录无法比中或缺少其它有效线索时，年龄推断有助于

缩小排查范围，提供侦察方向。DNA甲基化被认为是目前最理想的年龄

推断生物分子标志物，但研究多利用常染色体甲基化位点与不同年龄之间

的定量统计关系。若涉及混合斑，如男女混合血斑，现有的DNA甲基化

年龄推断模式并不适用。利用男性特异性Y染色体上的甲基化位点进行

混合斑中男性个体年龄的定向推断，可能是解决这一难题的途径之一。本

研究通过数据库筛选中国汉族男性年龄相关的Y染色体甲基化位点，并

利用机器学习方法建立基于Y染色体DNA甲基化的年龄推断模型。

方法：

1.利用文献及公共数据库数据，筛选中国汉族男性Y染色体年龄相

关CpG位点

通过文献初步筛选年龄相关Y染色体CpG位点，提取GEO数据库

GSE42861、GSE106648两个数据集中候选CpG的β值和年龄信息进行

Spearman相关性分析，保留其中P0.05的位点。选择在两个数据集中重

叠的位点作为“优先集”；两数据集中不重叠的，按P值从小到大排序，

排名靠前的各5个位点作为“补充集”。

2.构建基于Y染色体年龄相关CpG位点的机器学习模型，进行年龄

推断模拟和验证

选择上述“优先集”中的CpG位点，利用GSE42861和GSE106648

数据集作为训练集，构建支持向量机、随机森林、Xgboost、KNN回归、

Lasso回归、Ridge回归、弹性网络回归、逐步线性回归、多元线性回归

等九种机器学习模型，利用GSE59509数据集作为独立测试集，评估构建

模型的准确性。

3.建立DNA甲基化复合检测体系，对河北汉族男性血液样本进行分

型检测，利用机器学习算法评估年龄推断方法的可行性

利用筛选出的Y染色体年龄相关CpG位点，建立基于Agena

1

中文摘要

MassARRAY平台的iPLEX方案的复合检测体系，并对98名不同年龄

（16-70岁）的河北汉族男性血液样本进行检测。利用甲基化率与年龄信

息构建支持向量机、逐步线性回归、多元线性回归、随机森林、XGboost、

KNN回归等六种机器学习模型，采用十折交叉测试的方法评估模型的准

确性。

结果：

1.利用文献和数据库数据筛选出20个Y染色体年龄相关CpG位点。

其中“优先集”中的10个位点分别为ccc

c、c、c、c、c、

c和c；“补充集”中的10个位点分别为

c、c、c、c、c、

cccc和c。

2.基于“优先集”中的10个位点，利用中国男性人群GSE42861、

GSE106648两个数据集数据，建立了Y染色体DNA甲基化年龄推断模型，

并在亚裔群体（韩国）GSE59509数据集中得到了验证。最佳模型为SVM

线性核模型，其RMSE为9.28岁，R2为0.45，MAE为7.75岁。

3.建立了DNA甲基化复合检测体系，体系中10个有效CpG位点中

包括“优先集”位点5个，“补充集”位点5个。对98名不同年龄的河北

汉族男性无关个体血液样本成功检测。经十折交叉测试，最佳模型为SVM

的径向核模型，其平均RMSE为11.3岁，平均R2为0.34，平均MAE为

9.1岁。