1. 背景介绍

表观遗传学是研究那些可遗传（有丝分裂和/或减数分裂）且不涉及 DNA 序列改变的基因功能变化的学科。DNA 甲基化是其中一种基本的表观遗传修饰，主要涉及在 CpG 岛的 CpG 双核苷酸内的胞嘧啶环上添加一个甲基基团。这一过程由 DNA 甲基转移酶（DNMTs）催化，在基因调控、胚胎发育和基因组印记中起着至关重要的作用。

近年来，机器学习 (Machine Learning, ML) 通过分析复杂数据集来识别模式和做出预测，彻底改变了诊断医学。将 ML 与临床表观遗传学相结合，正在推动精准医疗达到新的高度。

1.1 DNA 甲基化检测技术

多种生化方法被用于 DNA 甲基化研究。

测序技术：如全基因组亚硫酸氢盐测序 (WGBS) 和简化代表性亚硫酸氢盐测序 (RRBS)，能提供单碱基分辨率的甲基化模式，但成本和计算资源要求较高。
芯片技术：如 Illumina Infinium 芯片，因其经济实惠、分析快速和广泛的基因组覆盖而仍然很受欢迎，特别适用于识别差异甲基化区域 (DMRs)。
长读长测序：如牛津纳米孔 (Oxford Nanopore) 和 PacBio SMRT，能够直接检测碱基修饰，无需 PCR 扩增，从而在分析重复区域和单倍型方面具有显著优势。
单细胞分析：单细胞 DNA 甲基化谱分析（如 scBS-seq）提供了前所未有的分辨率，用于研究细胞异质性，但面临着技术噪音大、成本高等挑战。

1.2 机器学习在表观遗传学中的应用

机器学习已成为解释复杂生物数据的强大工具。其在生物医学科学中的工作流程通常包括：问题定义、数据收集、数据预处理、特征选择、模型选择、模型训练、验证与测试、结果解释以及持续的监测与更新。

传统监督学习方法：如支持向量机 (SVM)、随机森林 (RF) 和梯度提升 (gradient boosting)，已被广泛用于跨越成千上万个 CpG 位点的分类、预后和特征选择。
深度学习 (DL)：DL 通过直接从数据中捕捉 CpG 位点与基因组上下文之间的非线性相互作用来改进 DNA 甲基化研究。多层感知机 (MLPs) 和卷积神经网络 (CNNs) 已被用于肿瘤亚型分类、组织溯源等。
基础模型 (Foundation Models)：最近，基于 Transformer 的基础模型，如 MethylGPT 和 CpGPT，通过在海量甲基化数据集上进行预训练，并针对临床应用进行微调，显示出巨大的潜力。这些模型在有限的临床人群中提高了效率，并为通用、与任务无关的甲基化学习器带来了希望。

这篇综述旨在探讨利用机器学习评估表观遗传标记的最新方法进展，重点关注其在疾病诊断和预后中的意义，并讨论将基于甲基化-ML 的系统整合到标准临床实践中的前景和挑战。

2. 方法详解

本综述系统地梳理了将机器学习应用于 DNA 甲基化分析以进行临床诊断的整个工作流程和关键技术。下图展示了一个将机器学习集成到生物医学研究中的通用工作流程，该流程是一个从定义问题到临床应用的完整闭环。

2.1 数据预处理

数据预处理确保数据的高质量和可靠性，以用于下游分析。

芯片数据：过滤低质量的探针或样本；使用 loess 归一化等方法校正染料偏差，使用分位数归一化校正批次效应；计算 beta 值（范围0-1）作为甲基化水平的量化度量；使用 k-最近邻 (kNN) 等方法进行插补。

测序数据：过滤低质量读长 (reads)，评估亚硫酸氢盐转化效率；使用立方多项式回归等方法校正 PCR 扩增偏差；使用 ComBat 或替代变量分析 (SVA) 等统计方法进行校正。

2.2 特征选择

从数十万个 CpG 位点中识别出信息最丰富的标记，以增强模型的精确度和可解释性，同时避免多重共线性问题。方法包括：

单变量方法：如 t-检验和 ANOVA，用于识别组间差异甲基化的位点。需要注意的是，beta 值通常不服从正态分布，常被转换为 M 值（对数变换）以满足统计检验的假设。
多变量方法：如 LASSO 和弹性网络 (elastic net)，它们在回归模型中加入惩罚项，能够同时进行特征选择和模型拟合。
基于机器学习的方法：如随机森林 (RF)（可根据特征对分类的贡献度进行排序）和互信息 (Mutual Information, MI)（可捕捉非线性依赖关系）。

2.3 模型选择

根据研究问题（分类、回归）、数据特性（维度、分布、共线性）和模型的可解释性需求，选择最合适的机器学习模型。

传统模型：
- 线性模型：如逻辑回归 (logistic regression) 和 LASSO，模型简单、可解释性强，但难以处理非线性关系。
- SVM：通过核函数能有效处理非线性关系和高维数据，但在大规模数据集上计算量大，且可解释性较差。
- RF：能处理高维数据和特征间的相互作用，对噪声鲁棒，并能提供特征重要性排序，但容易过拟合。
深度学习模型：
- ANN/MLP：能捕捉复杂的非线性模式。
- CNN：适用于具有空间结构的甲基化数据，能提取局部特征。
- RNN (LSTM/GRU)：适用于序列或时间序列数据，如纵向研究中的甲基化变化。
- Transformer：通过自注意力 (self-attention) 机制捕捉上下文关系，在复杂的多组学数据分析中表现出色。
无监督学习：
- 降维：如 PCA, t-SNE, UMAP，用于可视化和探索高维数据。
- 聚类：如 K-Means 和层次聚类 (hierarchical clustering)，用于识别基于甲基化谱的疾病亚型。

3. 实验分析与临床应用

本综述并非一篇包含新实验的研究论文，而是对现有研究的系统性总结和分析。作者通过回顾和整合大量已发表的研究成果，展示了机器学习在 DNA 甲基化领域的临床应用潜力。

3.1 机器学习在临床表观遗传学中的应用

作者将应用场景分为三大类：癌症、神经发育障碍和多因素疾病，并详细介绍了每一类中的代表性研究。

3.1.1 癌症

DNA 甲基化模式的改变与癌症的发生发展密切相关，是肿瘤学中研究最广泛的表观遗传变化。

肿瘤溯源与分类：多项研究使用 SVM, RF, MLP 等模型，基于肿瘤的甲基化谱，能够以超过90%的准确率对超过20种癌症类型进行分类，并区分原发灶和转移灶。
早期筛查（液体活检）：商业化的多癌种早期检测（MCED）测试，如 Galleri® 和 PanSeer®，利用血浆中的游离DNA (cfDNA) 甲基化模式，结合逻辑回归等模型，能够在症状出现前数年检测到多种癌症，并具有很高的特异性。例如，Galleri® 的特异性达到99.5%。
脑肿瘤诊断：Heidelberg CNS Tumor Methylation Classifier 是一个基于 RF 的模型，已成为 WHO 中枢神经系统肿瘤分类的标准。它能区分超过184个肿瘤亚类，准确率高达95%，显著提高了诊断的精确性和可重复性。
术中诊断：基于纳米孔 (nanopore) 测序和神经网络的 Sturgeon 和 Rapid-CNS2 平台，能够在手术中（90分钟甚至30分钟内）提供实时的肿瘤亚型分类，为外科决策提供支持。

3.1.2 神经发育障碍与神经退行性疾病

DNA 甲基化谱的改变与多种神经系统疾病（如阿尔茨海默病、精神分裂症、自闭症谱系障碍）有关。

针对阿尔茨海默病（AD），基于 CNN+LSTM 的多任务深度自编码器在预测疾病进展方面取得了0.996的 AUC。
针对帕金森病（PD）和精神分裂症（SZ），基于 LightGBM 和 CatBoost 的模型在经过数据协调后，分类准确率分别达到了97%和72%。
针对多发性硬化症（MS），基于 GradientBoostingClassifier 的模型能够根据 cfDNA 甲基化谱预测疾病进展。
EpiSign® 诊断平台：这是一个在临床上广泛应用的、基于 SVM 的诊断工具。它利用其庞大的EpiSign 知识数据库 (EpiSign Knowledge Database)，通过比对患者血液样本的甲基化谱与已知的罕见神经发育障碍 (NDD) 的表观印记 (episignatures)，来辅助诊断超过90种孟德尔遗传病，并评估意义不明确的变异 (VUSs) 的致病性。其诊断准确率和灵敏度非常高。