背景信息

DNAme array指的是DNA甲基化芯片
甲基化芯片目前主要流行使用的是450K和850K，都是采用了两种探针Infinium Ⅰ 和Infinium Ⅱ对位点进行测定，Infinium I采用了两种bead（甲基化M和非甲基化U），而II只有一种bead（即甲基化和非甲基化在一起），这也导致了它们在后续荧光探测的不同，450K采用了两种荧光探测信号（红光和绿光）。

850K/EPIC芯片中包含的一系列位点信息:
（1）包含90%以上的HumanMethylation450 BeadChip位点
（2）CpG岛以外的CpG位点
（3）人类干细胞中的非CpG甲基化位点（CHH位点）
（4）肿瘤（多种类型的癌症）VS正常样本中的不同甲基化位点，可以检测多种样本类型
（5）FANTOM5增强子
（6）ENCODE开放染色质和增强子
（7）脱氧核糖核酸酶超敏位点
（8）miRNA启动子区域
image.png

BioConductor教程

A cross-package Bioconductor workflow for analysing methylation array data：
https://master.bioconductor.org/packages/release/workflows/vignettes/methylationArrayAnalysis/inst/doc/methylationArrayAnalysis.html

GitHub教程

Methylation_analysis_scripts：https://github.com/IARCbioinfo/Methylation_analysis_scripts

博客—简书教程

甲基化芯片的一般分析流程
850K甲基化芯片数据的分析
甲基化样本和CpG位点QC的总流程（450k和850k）
minfi包：从DNA methylation的IDAT文件到CpG site的Beta values（英文教程搬运）：https://www.jianshu.com/p/1b78db680e92

甲基化探针注释
3种方法注释你的甲基化探针
芯片主要分为EPIC和450k两种，EIPC也就是850k，两种探针的都是以cg开头的数字编号，所谓注释也就是提取这些探针的所对应的信息，例如，探针序列的CpG位置信息，对应的基因信息，染色体上的位置信息，等等。

Tools

R包: ChAMP

ChAMP包分析DNAme array 示例代码：

  1. #---------------------------------------------------------------#
  2. # 目的：ChAMP包分析illuminaDNA甲基化芯片数据
  3. # author： lianzhiwei
  4. # Time: 2020.12.10
  5. # 参考教程：https://www.jianshu.com/p/6411e8acfab3
  6. # https://cloud.tencent.com/developer/article/1055830
  7. # 小结：如果用ChAMP包对450K或850K甲基化数据进行分析时，一是最好有个配置高一点的电脑；二是初始数据导入时，注意csv文件的格式，且要和IDAT文件放在一个文件下；其余的流程很少会遇到bug, 但最关键的是理解每一步的意义，能够根据分析的结果挖掘出想要的东西。
  8. #---------------------------------------------------------------#
  11. # 下载R包：
  13. library(BiocManager)
  14. BiocManager::install("ChAMP",ask = F,update = F)
  16. # library(BiocManager)
  17. # BiocManager::install("minfi",ask = F,update = F)
  18. # BiocManager::install("ChAMP",ask = F,update = F)
  19. # BiocManager::install("methylationArrayAnalysis",ask = F,update = F)
  20. # BiocManager::install("wateRmelon",ask = F,update = F)
  24. # 导入ChAMP包并测试：
  26. library(ChAMP)
  28. #450K的数据导入：
  30. testDir=system.file("extdata",package="ChAMPdata")
  31. myLoad <- champ.load(testDir,arraytype="450K")
  32. data(EPICSimData)
  37. # 数据读入
  39. setwd("D:/lianzhiwei/lzw/生化组工作/甲基化/DNAmeth芯片/01.ZYL_850K_KG1a/")
  41. myLoad <- champ.load("D:/lianzhiwei/lzw/生化组工作/甲基化/DNAmeth芯片/01.ZYL_850K_KG1a/data/idat", arraytype = "EPIC")
  43. # 在读入数据之后，最好保存，后续重复读入浪费大量时间
  45. save(myLoad,file="myLoad.rda")
  50. # 质控和标准化
  51. # 质控前可以先看看CpG的分布
  53. CpG.GUI(arraytype="EPIC")
  55. # 质控：
  56. # 方法一：champ.QC()
  57. # 方法二：
  59. QC.GUI(arraytype="EPIC")
  61. # 标准化:
  63. myNorm <- champ.norm(arraytype="EPIC")
  66. QC.GUI(myNorm,arraytype="EPIC")
  69. save(myNorm,file="myNorm.rda")
  72. # SVD plot 和批次效应：SVD(singular value decomposition) 这里用于评估数据集中变量的主要成分
  74. champ.SVD()
  80. # 差异甲基化分析（DMP & DMR & DMB)
  82. myDMP <- champ.DMP(arraytype="EPIC")
  84. save(myDMP,file="myDMP.rda")
  86. DMP.GUI()
  89. myDMR <- champ.DMR(arraytype="EPIC")
  90. # myDMR <- champ.DMR(arraytype = "EPIC",method="DMRcate",cores=1)
  92. save(myDMR,file="myDMR.rda")
  94. DMR.GUI(arraytype="EPIC")
  97. #myBlock <- champ.Block(arraytype = "EPIC")
  100. #Block.GUI(arraytype="EPIC",compare.group=c("PrEC_cells","LNCaP_cells"))
  105. # 基因富集和网络分析（GSEA & EpiMod）
  107. myGSEA <- champ.GSEA(arraytype = "EPIC")
  109. save(myGSEA,file="myGSEA.rda")
  113. myEpiMod <- champ.EpiMod(arraytype="EPIC")
  115. save(myEpiMod,file="myEpiMod.rda")
  118. # 拷贝数变异分析（CNA)
  120. myCNA <- champ.CNA(control = F,arraytype = "EPIC")
  122. save(myCNA,file=myCNA)

一个类似ChAMP包的甲基化芯片分析工具：Methylkey，其工作流程为：

  • Preprocessing illumina array with minfi
  • Plot QC report
  • Differential methylation analysis
  • Plot Analysis report
  • Create Annotations