基于ChIP-seq测序数据的二维快速检索技术

摘要

近年来越来越多的研究发现,基因的转录调控与人类疾病存在密切关系.转录因子结合位点(TFBS)是转录调控机理研究中的核心内容.第二代测序的ChIP-seq技术可以产生高分辨率的数据来精确定位TFBS,使得医学科研工作者可以更加深入细致地研究转录调控水平的疾病发病机理.然而,ChIP-seq数据晦涩难懂,且一维的序列格式解读和检索特别繁琐耗时,故前人发明了希尔伯特曲线的方法对结果进行二维的图像化呈现.本文在希尔伯特曲线的基础上,进一步开发了二维快速检索技术,对未来的医学诊断应用进行了预探索.使用R的HilbertVis软件包生成1000例模拟数据，转化为希尔伯特曲线并存储为图片。由于图片右侧有色柱且图片区有黑框，故需对图片进行切割，只保留希尔伯特曲线部分。将预处理后的图片分别采用感知哈希算法和颜色直方图进行特征值提取，并导入MongoDB数据库。感知哈希算法的速度显著快于颜色直方图方法，但是其计算结果的精细度远不如颜色直方图，不能对结果进行细分。颜色直方图刻画某一种颜色的像素数目占像素总数目的比例，是一种全局的统计关系，计算精度高，可以对相似性进行更精细的打分。