基于微阵列MeDIP富集估算DNA甲基化水平的方法

数据集获取

源站：https://ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE12096

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 部分平台提供 SDK，例如：
   • OpenDataLab: pip install openxlab 后 openxlab.dataset.get(...)
   • ModelScope: pip install modelscope 后 modelscope download
   • 天池: 登录后页面提供直链下载
     以源站「数据下载/使用文档」页面为准。

数据说明

DNA甲基化是表观遗传修饰的重要组成部分，它影响转录机制，并在许多人类疾病中发生异常。为了绘制有限区域或全基因组范围内的DNA甲基化图谱，已开发出多种方法。特别是，针对甲基化CpG的特异性抗体已成功应用于全基因组研究。然而，尽管所获得的结果具有相关性，但对抗体富集的解释并不简单。最重要的是，将抗体富集的甲基化片段与微阵列结合使用，产生的DNA甲基化估计值与真实的甲基化水平并非线性相关。在此，我们提出了一种实验和分析方法，以获得更准确地描述全基因组DNA甲基化水平真实值的增强估计。我们提出了一种实验方案，用于在高通量环境中评估真实关系，并采用基于模型的分析来预测绝对和相对的DNA甲基化水平。我们成功应用该模型评估了正常人类黑素细胞与黑色素瘤细胞株相比的DNA甲基化状态。

尽管基于免疫沉淀的方法通常分辨率较低，但我们展示了一种模型推导的DNA甲基化估计值，它与通过亚硫酸氢盐基因组DNA测序验证的绝对和相对水平测量值具有较高的相关性。重要的是，这种模型推导的DNA甲基化估计值简化了单一位点及全染色体水平上的结果解读。MEDME R库及其安装指南和PDF教程可在以下网站在线获取。

数据加载示例（图像类）

from PIL import Image
import glob, os

files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)

# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path)  # 要求 子目录=类别

目录组织与标注格式以源站说明和下载后实际文件为准。