BriefDescription ofProject

With the advent of powerful high-throughput experimental technologies over the last  two decades, it is becoming common for biology labs to generate massive datasets,  in the form of long sequences of counts, in their quest to determine features of           biological interest within the human genome. For instance, the methylation of DNA is a biological process that leads to certain parts of the DNA being better protected        against mutations that could lead to loss of function or even the onset of cancer, and is thus of great interest to medical scientists. The study of DNA methylation often       necessitates collecting measurements on the same locations of DNA from different    people, and due to biological constraints on the genome, various data sequences on the same set of genomic locations is often highly correlated, making it more difficult   to determine any hidden patterns.

Most current models in use for biological sequence data assume data sequences are independent, potentially leading to incorrect inference. This project will focus on data  generated from a particular type of sequencing experiment, called bisulfite                  sequencing, designed to study patterns of DNA methylation in the human genome.     Various types of models for correlated count data will be considered and assessed,    to determine an appropriate set of models (and assumptions) for data generated in     such experiments. Finally, statistical inferences from the model(s) will be validated by comparisons to current biological knowledge.

Key Questions ofInterest

What kind of statistical models are appropriate for data generated from experiments to study DNA methylation?

How can correlations between sequences of counts be incorporated into such models?

Can such models usefully differentiate regions having specific biological functions?