基于序列-結構信息的長非編碼RNA預測方法.pdf

1、新一代深度測序技術的發(fā)展使得數以萬計的新轉錄本被發(fā)現，但大部分是不編碼產生蛋白質，這一度被認為是“垃圾”基因，而目前的生命科學研究正逐步扭轉這一認識。其中長非編碼RNA（Long noncoding RNA，LncRNA），一類長度大于200 nt的非編碼RNA分子，已經成為基因組研究的熱點之一。盡管大量的長非編碼RNA在很多生理過程中被發(fā)現，但所發(fā)揮的分子機制還知之甚少。長非編碼RNA作用機制多樣、復雜，大規(guī)?！半[式”轉錄組數據的出現

2、革新了對快速區(qū)分編碼與長非編碼RNA方法設計的需求。
　　傳統(tǒng)的實驗技術，如微陣列等，側重的是對編碼蛋白RNA轉錄本的識別。在目前的計算預測方法中，如 CPC（Coding-Potential Calculator）、PhyloCSF（Phylogenetic Codon Substitution Frequencies）等比對策略，依賴于序列的保守性和現有蛋白庫的準確性；而如CPAT（Coding-Potential Asses

3、sment Tool）等機器學習策略也僅利用部分從編碼能力角度得到的生物特征進行預測。然而，有些長非編碼 RNA系 mRNA演變而來，也會表現出與已有蛋白的同源性，甚至還有開放閱讀框（Open Reading Frame，ORF）、序列或二級結構的保守性等，很可能會誤判。因此，僅僅利用這些典型生物特征還不足以精確地預測長非編碼RNA。
　　然而，從序列-結構角度分析發(fā)現，長非編碼RNA在序列-結構上的特異性為預測長非編碼RNA提供

4、新了的特征和思路。本文將在長非編碼RNA已有明顯特異生物特征（如ORF、蛋白序列相似性等）的基礎上，對序列-結構特征進行分析和提取，并整合作為過濾標準預測長非編碼RNA。文中以NONCODE數據庫中的95,105條人類長非編碼RNA和UCSC數據庫中的40,730條人類mRNA分別作為正負樣本數據集，采用支持向量機（Supporting Vector Machine，SVM）和樸素貝葉斯（Nave Bayes）方法建立分類模型，進行交叉