CN103020489A - 基于ARM微处理器的siRNA干扰效率预测新方法 - Google Patents

Abstract

本发明提供一种RNA干扰时预测siRNA干扰效率的方法，涉及生物信息学研究领域，其目的在于解决现有预测siRNA干扰效率方法中准确率不高的问题。本发明包括如下的步骤：将siRNA序列输入CPLD；按照特征提取规则表将siRNA序列重新编码，由于靶mRNA的序列和结构特征也对siRNA干扰效率有影响，故对siRNA序列编码的同时，也对靶mRNA进行编码；最后用随机森林模型进行siRNA干扰效率预测，在预测时首先用已知样本建立优化的模型，采用bootstrap抽样方法产生的OOB数据进行OOB估计，通过不断的调解模型的参数，使模型的泛化误差达到最小，然后再用优化的模型进行siRNA干扰效率预测。

Description

基于ARM微处理器的siRNA干扰效率预测新方法

技术领域

本发明属生物信息学研究领域，尤其涉及在RNA干扰(RNA干扰是指由双链RNA诱发同源mRNA高效特异性降解的现象)技术中进行siRNA分子设计时预测siRNA干扰效率的方法。

背景技术

RNA干扰技术是近年来发展起来的一种有效基因研究工具，它的广泛应用加快了功能基因组学的研究步伐，同时也推动了基因治疗等相关领域的研究，影响RNA干扰效率的关键因素之一是siRNA序列(siRNA序列是由A、U、G、C四种碱基组成的长度为19或21的一串字符)设计。RNA干扰技术要求siRNA序列与靶点处的mRNA序列严格匹配，单个碱基错配可能使RNA干扰失效，因此，设计有效的siRNA序列能够提高基因沉默的效率。大量实验表明，针对同一靶mRNA设计的siRNA作用效果差别大，原因是siRNA的沉默效率受到靶mRNA序列和自身序列等因素影响。对于一个靶基因，按照传统的设计规则，会有成百上千个候选的siRNA序列，从中找到最有效的序列是siRNA设计领域中的难题之一。由于采用生物实验方法进行siRNA设计需要大量的人力物力，实验成本高、周期长、效率低，所以通过生物信息学与计算机辅助手段来优化siRNA设计，成为实现RNA干扰的有效手段。

由于RNA干扰的广泛应用，近年来出现了多个预测siRNA效率的方法，分为两类：第一类是基于规则的效率预测方法；第二类是基于机器学习的效率预测方法。在第一种方法中，研究者们比较、分析了高效siRNA序列与低效siRNA序列的差异，总结出能提高siRNA设计效率的规则，对候选的siRNA序列按照其满足规则的情况进行打分，一般情况下，得分较高的认为会有较高的沉默效率。但这种方法将每条规则的权重视为相同，没有区别对待；此外，这种方法还不能定量评估侯选siRNA序列的效率，只能区分siRNA有效或无效。因此，此类方法效率较低。第二类是基于机器学习的效率预测方法，这类方法能定量的预测siRNA的效率，提高了设计的准确性。所以本方法也采用机器学习的方法来进行siRNA干扰效率预测。目前siRNA效率预测大多数都考虑siRNA的特征、双链的能量特征等，但是没有考虑mRNA的motif特征、结构特征。我们认为mRNA全局的序列特征、结构特征对siRNA的干扰效率有影响，所以提出基于mRNA全局特征的siRNA干扰效率预测方法。

随机森林(random forest)是2001年Breiman提出的一种新的组合分类器算法。它的特点如下：具有较高的准确率，且不容易出现过拟合；采用bootstrap重抽样方法和随机选择特征进行分裂相结合，使该算法能较好地容忍噪声；可采用有效的估计方法来处理有缺失的数据，即使缺失数据的比重较大，也可以有很高的准确率。结合随机森林的特点，我们采用随机森林对siRNA的效率进行回归预测。这里Bootstrap抽样方法是指：对于一个含有N个样本的数据集，有放回的随机抽取N次，每一次都从N个样本中抽一个，由于每一次都是随机抽取，每一个样本被抽取的概率是一样的，所以有的样本可能被抽中多次，有的可能一次也没有被抽中。一次也没有被抽中的样本称为袋外数据OOB(out-of-bag)数据，采用OOB数据来估计模型的性能称为OOB估计。对于每一棵树，我们都可以得到它的OOB误差估计，取森林中所有树的OOB误差估计的均值，即可得到随机森林的泛化误差估计。

发明内容

本发明的目的在于提供一种能快速、准确地预测siRNA干扰效率的方法。该方法所需要的硬件设备包括处理器、内存、主板。

本发明包括下列步骤：

1.将siRNA序列输入CPLD。CPLD(Complex Programmable Logic Device)为复杂可编程逻辑器件，从PAL和GAL器件发展而来，相对而言规模大，结构复杂，属于大规模集成电路范围，是一种用户根据各自需要而自行构造逻辑功能的数字集成电路。CPLD基本设计方法借助集成开发软件平台，用原理图、硬件描述语言等方法，生成相应的目标文件，通过下载电缆(“在系统”编程)将代码传送到目标芯片中来实现设计。PAL指可编程阵列逻辑，是70年代末由MMI公司率先推出的一种低密度、一次性可编程逻辑器件。GAL为通用阵列逻辑，从PAL发展而来，因为采用了EECMOS工艺使得该器件的编程非常方便。

2.CPLD通过特征提取规则表(存放的是特征对应的编码，通过查此表，即可获得相应siRNA的编码序列)，将siRNA序列以编码的形式存储于SRAM中，特征提取规则表存在于计算机系统中，由于数据存在存储器中，我们可以根据需要，实时调用它，它将所获取的siRNA序列，转换为易于系统分析的数字模式(通过查特征提取规则表，即可得到siRNA序列所对应的数字编码)。SRAM是静态存储器，它是一种具有静止存取功能的内存，不需要刷新电路即能保存它内部存储的数据。

本方法所提取的特征包括两大类：

第一类：siRNA序列特征：

1)siRNA序列中每位碱基的数字化编码，A为0.1，U为0.2，G为0.3，C为0.4；

2)siRNA序列中motif(1-3mer)的频率，1mer频率指碱基A、U、G、C在siRNA序列中的频率，2mer频率指碱基组合AA、AU、AG、AC等16个碱基组合在siRNA序列中的频率，3mer频率指AAA、AAU、AAG、AAC等64个碱基组合在siRNA序列中的频率；

3)由能量表示的靶序列与siRNA反义链形成的双链稳定性，按Watson-Crick碱基结合能量规则计算双链结合能，每次取相邻两对碱基结合能量，最后将所有能量求和；

4)siRNA双链5’端能量差，反义链5’端4对碱基能量和与正义链5’端4对碱基能量和之间的差。

第二类：mRNA序列特征和结构特征：

1)mRNA序列中motif(1-3mer)的频率，1mer频率指碱基A、U、G、C在mRNA序列中的频率，2mer频率指碱基组合AA、AU、AG、AC等16个碱基组合在mRNA序列中的频率，3mer频率指AAA、AAU、AAG、AAC等64个碱基组合在mRNA序列中的频率；

2)mRNA的GC含量，计算碱基G、C在mRNA序列所占比例；

3)mRNA长度，mRNA中碱基个数；

4)mRNA茎比率，mRNA通过结构预测得到的茎区比例。

3.选用ARM微处理器进行siRNA干扰效率预测。ARM微处理器具有强大的处理能力和极低的功耗，现在越来越多的公司在产品选型的时候使用它。用ARM微处理器进行siRNA干扰效率预测，具体包括下列步骤：

1)将siRNA序列对应的数字化信息，载入到随机森林模型中。

2)根据已知样本的siRNA序列对应的数字化信息，建立优化的随机森林模型，通过调解相应的参数，使模型的泛化误差(即分类器对训练集之外数据的误分率)最小。

A、首先采用bootstrap重抽样方法从初始样本集中随机抽取ntree个训练集，每个训练集的大小约为初始样本集的三分之二，为每一个训练集分别建立分类回归树，则会产生由ntree棵决策树构成的一片森林，每棵决策树都不进行剪枝。由于随机森林不裁剪回归树，所以树的总个数ntree默认为500。

B、假设初始样本有M个特征，则在每棵回归树的每个内部节点处随机抽取mtry个特征作为候选特征(mtry＜＜M)，选择这mtry个特征上最好的分裂方式对节点进行分裂。在回归模型中，默认参数mtry＝M/3，在整个森林的生长过程中，mtry的值保持不变。

C、每棵回归树开始自顶向下的递归分枝，一般情况下，设定叶节点包含样本的个数nodesize为5(回归问题)，将此作为终止回归树生长的条件。

D、随机森林采用bootstrap重抽样方法来抽取训练样本，大约有三分之一的数据未被抽中，这些数据称为袋外(out-of-bag)数据。将由ntree棵回归树组成的随机森林回归模型，其回归效果评价采用袋外数据(OOB)预测的残差均方。

3)输入需要预测的siRNA序列对应的数字化信息到已建立的随机森林模型中，进行干扰效率预测，最后将预测的结果输出到LCD液晶显示器。

本发明首先将siRNA序列进行编码，编码时既考虑siRNA的序列特征也考虑mRNA序列和结构信息，将编码后的数字化信息，载入到随机森林中进行效率预测。首先通过调解相应的参数，使模型的泛化误差达到最小，从而建立优化的预测模型；然后再把需要预测的siRNA序列相对应的数字化信息输入到已建好的模型中，进行siRNA干扰效率的预测。

本发明使用并行技术将siRNA的干扰效率更快速准确的预测出来，本发明还能对国际公共数据库中随机选取的siRNA序列进行测试与分析。

附图说明

图1为基于ARM微处理器的siRNA干扰效率预测新方法流程图

图2为基于ARM微处理器的siRNA干扰效率预测新方法的系统结构示意图

图3为100条负样本中碱基A在每一列中出现的频率

图4为100条负样本中碱基U在每一列中出现的频率

图5为100条负样本中碱基G在每一列中出现的频率

图6为100条负样本中碱基C在每一列中出现的频率

图7为100条正样本中碱基A在每一列中出现的频率

图8为100条正样本中碱基U在每一列中出现的频率

图9为100条正样本中碱基G在每一列中出现的频率

图10为100条正样本中碱基C在每一列中出现的频率

从图3和图7可以看出碱基A在正负样本中出现的频率有很大差异，在正样本每列中出现的频率相对稳定；由图4和图8可以看出，碱基U在负样本中出现的频率在0.2左右，在正样本中出现的频率在0.28左右；由图5和图9可以看出，碱基G在负样本中出现的频率在0.25左右，在正样本中出现的频率在0.175左右；由图6和图10可以看出，碱基C在负样本中出现的频率在0.25左右，在正样本中出现的频率在0.2左右。

具体实施方式

本发明是一种基于ARM微处理器的siRNA干扰效率预测新方法，如图1所示，将所得siRNA序列输入CPLD，通过特征提取规则表把siRNA序列进行编码，使siRNA序列以编码序列的形式存储于SRAM中，然后用ARM微处理器，进行siRNA干扰效率预测，在预测前需要先建立基于随机森林的回归模型，通过调解参数，使模型的泛化误差达到最小，然后把需要预测的siRNA序列相对应的数字化信息载入到已建立的随机森林模型中，进行干扰效率预测，最后将预测的结果输出到LCD液晶显示器。

Claims (8)

1.基于ARM微处理器的siRNA干扰效率预测新方法，其特征在于包括下列步骤：

1)进行siRNA序列预处理(siRNA序列是由A、U、G、C四种碱基组成的长度为19或21的一串字符)；

2)进行siRNA干扰效率的预测。

2.按权利要求1所述的基于ARM微处理器的siRNA干扰效率预测新方法，其特征在于步骤1)所述的siRNA序列预处理包括下列步骤：

1)将siRNA序列输入CPLD(CPLD是复杂可编程逻辑器件，属于大规模集成电路范围，用户能够根据需要自行构造逻辑功能)；

2)通过特征提取规则表(存放的是特征对应的编码，通过查此表，即可获得相应siRNA的编码序列)将siRNA序列以编码的形式存储于SRAM(SRAM是静态存储器)中。

3.按权利要求1所述的基于ARM微处理器的siRNA干扰效率预测新方法，其特征在于步骤2)所述的siRNA序列干扰效率预测包括下列步骤：

1)将siRNA序列对应的数字化信息，载入到随机森林模型中；

2)根据已知样本的siRNA序列对应的数字化信息，建立优化的随机森林模型，通过调解相应的参数，使模型的泛化误差(泛化误差是分类器对训练集之外数据的误分率)最小；

3)输入需要预测的siRNA序列对应的数字化信息到已建立的随机森林模型中，进行干扰效率预测，最后将预测的结果输出到LCD液晶显示器。

4.按权利要求2所述的基于ARM微处理器的siRNA干扰效率预测新方法，其特征在于步骤2)所述的特征提取规则表中所用特征如下：

1)siRNA序列特征；

2)mRNA序列特征和结构特征。

5.按权利要求2所述的基于ARM微处理器的siRNA干扰效率预测新方法，其特征在于步骤2)所述的特征提取规则表存在于计算机系统中，并可实时调用，它将所获取的siRNA序列，转换为易于系统分析的数字模式。

6.按权利要求3所述的基于ARM微处理器的siRNA干扰效率预测新方法，其特征在于步骤2)，采用bootstrap抽样方法产生OOB(out-of-bag)数据，进行OOB估计，得到随机森林的泛化误差估计。

7.按权利要求4所述的基于ARM微处理器的siRNA干扰效率预测新方法，其特征在于所用特征1)中提取了下列特征：

1)siRNA序列中每位碱基的数字化编码，A为0.1，U为0.2，G为0.3，C为0.4；

2)siRNA序列中motif(1-3mer)的频率，1mer频率指碱基A、U、G、C在siRNA序列中的频率，2mer频率指碱基组合AA、AU、AG、AC等16个碱基组合在siRNA序列中的频率，3mer频率指AAA、AAU、AAG、AAC等64个碱基组合在siRNA序列中的频率；

3)由能量表示的靶序列与siRNA反义链形成的双链稳定性，按Watson-Crick碱基结合能量规则计算双链结合能，每次取相邻两对碱基结合能量，最后将所有能量求和；

4)siRNA双链5’端能量差，反义链5’端4对碱基能量和与正义链5’端4对碱基能量和之间的差。

8.按权利要求4所述的基于ARM微处理器的siRNA干扰效率预测新方法，其特征在于所用特征2)提取了下列特征：

1)mRNA序列中motif(1-3mer)的频率，1mer频率指碱基A、U、G、C在mRNA序列中的频率，2mer频率指碱基组合AA、AU、AG、AC等16个碱基组合在mRNA序列中的频率，3mer频率指AAA、AAU、AAG、AAC等64个碱基组合在mRNA序列中的频率；

2)mRNA的GC含量，计算碱基G、C在mRNA序列所占比例；

3)mRNA长度，mRNA中碱基个数；

4)mRNA茎比率，mRNA通过结构预测得到的茎区比例。

Images