基于序列-結(jié)構(gòu)信息的長(zhǎng)非編碼RNA預(yù)測(cè)方法.pdf

1、新一代深度測(cè)序技術(shù)的發(fā)展使得數(shù)以萬(wàn)計(jì)的新轉(zhuǎn)錄本被發(fā)現(xiàn)，但大部分是不編碼產(chǎn)生蛋白質(zhì)，這一度被認(rèn)為是“垃圾”基因，而目前的生命科學(xué)研究正逐步扭轉(zhuǎn)這一認(rèn)識(shí)。其中長(zhǎng)非編碼RNA（Long noncoding RNA，LncRNA），一類長(zhǎng)度大于200 nt的非編碼RNA分子，已經(jīng)成為基因組研究的熱點(diǎn)之一。盡管大量的長(zhǎng)非編碼RNA在很多生理過(guò)程中被發(fā)現(xiàn)，但所發(fā)揮的分子機(jī)制還知之甚少。長(zhǎng)非編碼RNA作用機(jī)制多樣、復(fù)雜，大規(guī)?！半[式”轉(zhuǎn)錄組數(shù)據(jù)的出現(xiàn)

2、革新了對(duì)快速區(qū)分編碼與長(zhǎng)非編碼RNA方法設(shè)計(jì)的需求。
　　傳統(tǒng)的實(shí)驗(yàn)技術(shù)，如微陣列等，側(cè)重的是對(duì)編碼蛋白R(shí)NA轉(zhuǎn)錄本的識(shí)別。在目前的計(jì)算預(yù)測(cè)方法中，如 CPC（Coding-Potential Calculator）、PhyloCSF（Phylogenetic Codon Substitution Frequencies）等比對(duì)策略，依賴于序列的保守性和現(xiàn)有蛋白庫(kù)的準(zhǔn)確性；而如CPAT（Coding-Potential Asses

3、sment Tool）等機(jī)器學(xué)習(xí)策略也僅利用部分從編碼能力角度得到的生物特征進(jìn)行預(yù)測(cè)。然而，有些長(zhǎng)非編碼 RNA系 mRNA演變而來(lái)，也會(huì)表現(xiàn)出與已有蛋白的同源性，甚至還有開(kāi)放閱讀框（Open Reading Frame，ORF）、序列或二級(jí)結(jié)構(gòu)的保守性等，很可能會(huì)誤判。因此，僅僅利用這些典型生物特征還不足以精確地預(yù)測(cè)長(zhǎng)非編碼RNA。
　　然而，從序列-結(jié)構(gòu)角度分析發(fā)現(xiàn)，長(zhǎng)非編碼RNA在序列-結(jié)構(gòu)上的特異性為預(yù)測(cè)長(zhǎng)非編碼RNA提供

4、新了的特征和思路。本文將在長(zhǎng)非編碼RNA已有明顯特異生物特征（如ORF、蛋白序列相似性等）的基礎(chǔ)上，對(duì)序列-結(jié)構(gòu)特征進(jìn)行分析和提取，并整合作為過(guò)濾標(biāo)準(zhǔn)預(yù)測(cè)長(zhǎng)非編碼RNA。文中以NONCODE數(shù)據(jù)庫(kù)中的95,105條人類長(zhǎng)非編碼RNA和UCSC數(shù)據(jù)庫(kù)中的40,730條人類mRNA分別作為正負(fù)樣本數(shù)據(jù)集，采用支持向量機(jī)（Supporting Vector Machine，SVM）和樸素貝葉斯（Nave Bayes）方法建立分類模型，進(jìn)行交叉