本發(fā)明屬于生物信息學(xué)領(lǐng)域，特別涉及一種大規(guī)模標(biāo)注lncRNA功能的方法。

背景技術(shù)：

長鏈非編碼RNA(long non-coding RNA，lncRNA)是一種重要的非編碼RNA，它在真核生物中被廣泛轉(zhuǎn)錄。一般，lncRNA具有低的表達(dá)水平，中等的序列保守性，和高的組織特異性。越來越多的生物實(shí)驗(yàn)已經(jīng)證實(shí)lncRNA能在細(xì)胞中發(fā)揮廣泛而又重要的作用，比如基因調(diào)控、剪接控制、以及X染色體劑量補(bǔ)償?shù)?。lncRNA還和人類疾病的發(fā)生、發(fā)展和防治都有著密切聯(lián)系。因此，確定lncRNA的功能對(duì)于揭示其在生理及病理過程中的作用機(jī)制、疾病診斷和防治都有重要的意義，但是，目前人們僅僅對(duì)很少量的lncRNA的功能了解比較充分。最近，預(yù)測和識(shí)別lncRNA功能的研究引起了越來越多研究者的興趣。

確定lncRNA的功能，在生物學(xué)領(lǐng)域，一般采取非編碼RNA沉默和定位分析、RNA結(jié)合蛋白免疫沉淀技術(shù)、紫外交聯(lián)免疫沉淀、環(huán)狀染色質(zhì)構(gòu)象捕獲、RNA反義純化、RNA純化的染色質(zhì)分離和捕獲雜交分析RNA靶點(diǎn)等，盡管這些技術(shù)能在一定程度上識(shí)別lncRNA的部分功能，但是由于實(shí)驗(yàn)設(shè)計(jì)復(fù)雜、代價(jià)高昂，而lncRNA的功能具有多樣化和特異性強(qiáng)的特點(diǎn)，難以大規(guī)模應(yīng)用于lncRNA功能識(shí)別。隨著微陣列和新一代測序等高通量技術(shù)的發(fā)展，獲得了大量與lncRNA有關(guān)的生物數(shù)據(jù)(lncRNA序列、表達(dá)譜、與蛋白質(zhì)的相互作用等)，這為從計(jì)算上預(yù)測lncRNA的功能提供了條件。

近年來，已有一些研究者利用這些生物數(shù)據(jù)預(yù)測lncRNA的功能，比如，Guttman等人在4種小鼠細(xì)胞種通過基因組范圍染色質(zhì)狀態(tài)譜發(fā)現(xiàn)了大約1600種lncRNA，并開發(fā)了一種方法進(jìn)行l(wèi)ncRNA功能預(yù)測；Liao等人根據(jù)公開的微陣列表達(dá)譜數(shù)據(jù)，通過構(gòu)造編碼-非編碼基因共表達(dá)網(wǎng)絡(luò)標(biāo)注了340個(gè)lncRNA的可能功能；Cabili與他的合作者編制了一個(gè)包含8000多種人類lincRNA的參考目錄，并通過編碼基因和非編碼基因的共表達(dá)信息對(duì)它們進(jìn)行了功能標(biāo)注。這些方法基本上都是基于基因表達(dá)譜和一些局部信息，所以僅僅少量的lncRNA的功能可以被推斷出來。近幾年來，也出現(xiàn)了結(jié)合其它信息進(jìn)行l(wèi)ncRNA功能標(biāo)注的方法，例如，lncRNA2Function等。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提供一種大規(guī)模標(biāo)注lncRNA功能的方法，其可以一次對(duì)大量lncRNA的功能進(jìn)行標(biāo)注，大大降低lncRNA功能標(biāo)注的成本，降低費(fèi)用。

本發(fā)明的技術(shù)方案如下：

1)根據(jù)lncRNA與蛋白質(zhì)的共表達(dá)數(shù)據(jù)、相互作用數(shù)據(jù)計(jì)算lncRNA和蛋白質(zhì)的皮爾遜相關(guān)系數(shù)，并根據(jù)相關(guān)系數(shù)構(gòu)造lncRNA-蛋白質(zhì)關(guān)系網(wǎng)絡(luò)。2)根據(jù)lncRNA在人類24個(gè)組織或者細(xì)胞類型中的表達(dá)譜計(jì)算lncRNA之間的皮爾遜相關(guān)系數(shù)，據(jù)此構(gòu)造lncRNA相似性網(wǎng)絡(luò)。3)根據(jù)蛋白質(zhì)相互作用數(shù)據(jù)構(gòu)造蛋白質(zhì)相互作用網(wǎng)絡(luò)，并結(jié)合lncRNA-蛋白質(zhì)和lncRNA相似性網(wǎng)絡(luò)構(gòu)建全局網(wǎng)絡(luò)。4)利用上述構(gòu)建的全局網(wǎng)絡(luò)，根據(jù)公式(1)計(jì)算lncRNA節(jié)點(diǎn)和蛋白質(zhì)節(jié)點(diǎn)的Katz度量，此Katz度量代表lncRNA節(jié)點(diǎn)和蛋白質(zhì)節(jié)點(diǎn)的相似性度量，Katz度量值越大，說明這個(gè)蛋白質(zhì)與lncRNA越相似。5)對(duì)上述步驟得到的lncRNA和蛋白質(zhì)相似矩陣進(jìn)行降序排列，按照分值選擇其中前N個(gè)蛋白質(zhì)，分別找出前N個(gè)蛋白質(zhì)中每個(gè)蛋白質(zhì)所對(duì)應(yīng)的功能注釋，對(duì)每個(gè)功能注釋，根據(jù)公式(2)計(jì)算此lncRNA具有該功能的概率。

本發(fā)明與現(xiàn)有標(biāo)注lncRNA功能的方法相比，現(xiàn)有的大部分方法都是基于基因的表達(dá)譜和基因的一些局部信息，因此一次僅能對(duì)少量的lncRNA進(jìn)行功能注釋，而本發(fā)明是根據(jù)全局網(wǎng)絡(luò)進(jìn)行計(jì)算推斷的，所以一次可以對(duì)全基因組的lncRNA進(jìn)行功能注釋。此外，本發(fā)明不但考慮了基因表達(dá)譜信息，也結(jié)合了lncRNA與蛋白質(zhì)的相互作用信息以及蛋白質(zhì)之間的相互作用信息。與現(xiàn)有的方法相比，本發(fā)明利用了更多的生物數(shù)據(jù)，可以顯著地提高lncRNA功能預(yù)測的準(zhǔn)確度，同時(shí)，本發(fā)明可以一次對(duì)大量lncRNA進(jìn)行功能預(yù)測，有效的解決了現(xiàn)有計(jì)算方法的問題，也為生物實(shí)驗(yàn)進(jìn)行l(wèi)ncRNA功能注釋提供了有價(jià)值的參考。

附圖說明

圖1是本發(fā)明實(shí)施例整個(gè)過程的處理流程示意圖。

圖2為本發(fā)明實(shí)施例N取不同值時(shí)的性能變化曲線圖，當(dāng)N選擇不同的值時(shí)，F(xiàn)max的值波動(dòng)較大，最好的性能(Fmax最大)出現(xiàn)在N近似是40時(shí)。

圖3本發(fā)明實(shí)施例網(wǎng)絡(luò)中包含或去掉PPI時(shí)的準(zhǔn)確率-召回率曲線圖。

圖4在手工標(biāo)注的55個(gè)lncRNA上，本發(fā)明實(shí)施例和LncRNA2Function分別正確注釋的lncRNA的個(gè)數(shù)比較示意圖。

圖5在全基因組上，本發(fā)明實(shí)施例和LncRNA2Function分別正確注釋的lncRNA的個(gè)數(shù)比較示意圖。

圖6在不同GO深度下，本發(fā)明實(shí)施例和LncRNA2Function分別注釋lncRNA的個(gè)數(shù)比較示意圖。

具體實(shí)施方式

下面將結(jié)合附圖和實(shí)施例對(duì)本發(fā)明做進(jìn)一步詳細(xì)說明。

本發(fā)明的原理是：根據(jù)lncRNA-蛋白質(zhì)的共表達(dá)數(shù)據(jù)及相互作用數(shù)據(jù)、lncRNA的表達(dá)譜 數(shù)據(jù)和蛋白質(zhì)的相互作用數(shù)據(jù)，構(gòu)建一個(gè)全局的異構(gòu)無向圖，通過Katz度量計(jì)算lncRNA頂點(diǎn)和蛋白質(zhì)頂點(diǎn)的相似性，從而依據(jù)相似蛋白質(zhì)的功能標(biāo)注信息對(duì)未知的lncRNA進(jìn)行功能標(biāo)注。

如圖1所示，本實(shí)施例從GENCODE數(shù)據(jù)庫中共下載了15941個(gè)lncRNA基因和20284個(gè)編碼基因。為了獲得全基因組范圍內(nèi)的lncRNA和編碼基因的聯(lián)系，分別從COXPRESdb、ArrayExpress等數(shù)據(jù)庫下載了共表達(dá)數(shù)據(jù)，從NPInter數(shù)據(jù)庫下載了lncRNA-蛋白質(zhì)作用數(shù)據(jù)。根據(jù)這些lncRNA-蛋白質(zhì)的共表達(dá)數(shù)據(jù)和相互作用數(shù)據(jù)，采用樸素貝葉斯方法計(jì)算lncRNA和蛋白質(zhì)的相關(guān)性：

其中，C(l,p)是基因d(lncRNA)和編碼基因p之間的整體相關(guān)系數(shù)，C_d(l,p)代表l和p在數(shù)據(jù)集d上的相關(guān)分?jǐn)?shù)，D是基因?qū)?l和p)的個(gè)數(shù)。然后結(jié)合計(jì)算出的lncRNA和蛋白質(zhì)的相關(guān)性構(gòu)造lncRNA-蛋白質(zhì)的關(guān)系網(wǎng)絡(luò)，此網(wǎng)絡(luò)共包含15941個(gè)lncRNA基因和20284個(gè)編碼基因，并用鄰接矩陣LP表示。

從NONCODE2016中下載了lncRNA在人類24個(gè)組織中的表達(dá)譜數(shù)據(jù)，根據(jù)這些表達(dá)譜數(shù)據(jù)計(jì)算lncRNA之間的表達(dá)相關(guān)性，具體采用皮爾遜相關(guān)系數(shù)公式計(jì)算每對(duì)lncRNA之間的表達(dá)相關(guān)性，然后根據(jù)這些表達(dá)相關(guān)性構(gòu)造lncRNA相似性網(wǎng)絡(luò)，此網(wǎng)絡(luò)共包含15941個(gè)lncRNA基因，用鄰接矩陣L表示。

根據(jù)從STRING數(shù)據(jù)庫下載的蛋白質(zhì)相互作用數(shù)據(jù)，構(gòu)造蛋白質(zhì)相互作用網(wǎng)絡(luò)，記作P，共包含20284個(gè)蛋白質(zhì)，結(jié)合步驟1、步驟2計(jì)算出的矩陣LP、L，構(gòu)造全局異構(gòu)網(wǎng)絡(luò)，用鄰接矩陣表示。

Katz度量通過計(jì)算兩個(gè)節(jié)點(diǎn)間的距離來衡量兩個(gè)節(jié)點(diǎn)的相似性，基于此，本發(fā)明提出通過計(jì)算lncRNA節(jié)點(diǎn)和蛋白質(zhì)節(jié)點(diǎn)的Katz度量來測量lncRNA基因和蛋白質(zhì)的相似性，即，利用上述步驟構(gòu)造的全局網(wǎng)絡(luò)的鄰接矩陣A，計(jì)算15941個(gè)lncRNA節(jié)點(diǎn)和20284個(gè)蛋白質(zhì)節(jié)點(diǎn)的Katz度量，計(jì)算公式為：

S_LP＝βLP+β²(L*LP+LP*P)+β³(LP*LP^T*LP+L²*LP+L*LP*P+LP*P²) (1)

其中，β是不同長度路徑的權(quán)重系數(shù)，滿足β＜1/||A||₂。計(jì)算結(jié)果為分?jǐn)?shù)矩陣，分值越大，表示越相似。

對(duì)于給定的lncRNA l，從S_lp中降序排列的分值中選擇前N個(gè)蛋白質(zhì)，并找出前N個(gè)蛋白質(zhì)所對(duì)應(yīng)的注釋信息，然后對(duì)于每一個(gè)GO術(shù)語，計(jì)算它被指定給lncRNA的概率P_l(T_i)，計(jì)算公式為：

其中，S_lp是lncRNA l和它的鄰近編碼基因的Kazt相似性分?jǐn)?shù)，Ind(T_i)是一個(gè)指示函數(shù)，定義如下：

P_l(T_i)越大，則lncRNA l越可能具有該功能。

本發(fā)明實(shí)施例進(jìn)行了有效性驗(yàn)證如下。

本發(fā)明實(shí)施例方法可稱之為KATZLGO，需要根據(jù)S_lp中前N個(gè)蛋白質(zhì)的GO信息來注釋RNA，但是，目前沒有有效的計(jì)算方法確定N的值。在本方法中，通過在手工構(gòu)建的lncRNA注釋數(shù)據(jù)集lncRNA2GO-55上進(jìn)行性能評(píng)估，根據(jù)性能評(píng)估的結(jié)果選擇合適的值，如圖2所示。從圖2中可以看出，當(dāng)N取不同的值時(shí)，本發(fā)明的性能會(huì)發(fā)生劇烈的波動(dòng)，當(dāng)N取值約35至50之間時(shí)性能較好，而為40時(shí)，性能最好。

本發(fā)明實(shí)施例比其它預(yù)測方法集成了更多生物信息，比如蛋白質(zhì)相互作用數(shù)據(jù)。為了評(píng)估蛋白質(zhì)相互作用信息的影響，本發(fā)明在825個(gè)蛋白質(zhì)的數(shù)據(jù)集Protein2GO-825上進(jìn)行性能評(píng)估，如圖3所示。顯然，含有蛋白質(zhì)相互作用數(shù)據(jù)的性能(紅色曲線)優(yōu)于不包含蛋白質(zhì)相互作用數(shù)據(jù)的性能(綠線)。

本發(fā)明實(shí)施例KATZLGO與目前最好的方法LncRNA2Function進(jìn)行了比較：在數(shù)據(jù)集lncRNA2GO-55上進(jìn)行生物過程預(yù)測，兩種方法的準(zhǔn)確率、召回率和F值，如表1所示。在手工注釋的55個(gè)lncRNA的數(shù)據(jù)集上，KATZLGO每個(gè)性能指標(biāo)均好于方法LncRNA2Function。

表1

同時(shí)，圖4示出了在手工標(biāo)注的55個(gè)lncRNA上，本發(fā)明實(shí)施例和LncRNA2Function分別正確注釋的lncRNA的個(gè)數(shù)比較。圖5示出了在全基因組上，本發(fā)明實(shí)施例和LncRNA2Function分別正確注釋的lncRNA的個(gè)數(shù)比較。圖6示出了在不同GO深度下，本發(fā) 明實(shí)施例和LncRNA2Function分別注釋lncRNA的個(gè)數(shù)比較。