CN106446601A - 一种大规模标注lncRNA功能的方法 - Google Patents

一种大规模标注lncRNA功能的方法 Download PDF

Info

Publication number
CN106446601A
CN106446601A CN201610406692.9A CN201610406692A CN106446601A CN 106446601 A CN106446601 A CN 106446601A CN 201610406692 A CN201610406692 A CN 201610406692A CN 106446601 A CN106446601 A CN 106446601A
Authority
CN
China
Prior art keywords
lncrna
protein
data
network
expression
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201610406692.9A
Other languages
English (en)
Other versions
CN106446601B (zh
Inventor
张祖平
邓磊
张敬普
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN201610406692.9A priority Critical patent/CN106446601B/zh
Publication of CN106446601A publication Critical patent/CN106446601A/zh
Application granted granted Critical
Publication of CN106446601B publication Critical patent/CN106446601B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations

Landscapes

  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Genetics & Genomics (AREA)
  • Biotechnology (AREA)
  • Biophysics (AREA)
  • Chemical & Material Sciences (AREA)
  • Molecular Biology (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Analytical Chemistry (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种大规模标注lncRNA功能的方法，根据lncRNA‑蛋白质的共表达数据及相互作用数据、lncRNA的表达谱数据和蛋白质的相互作用数据，构建一个全局的异构无向图，通过Katz度量计算lncRNA顶点和蛋白质顶点的相似性，从而依据相似蛋白质的功能标注信息对未知的lncRNA进行功能标注。本发明与现有的技术相比，在考虑lncRNA‑蛋白质共表达信息的基础上，也整合了lncRNA‑蛋白质相互作用数据、lncRNA的表达谱数据和蛋白质的相互作用数据。独立测试表明，本发明预测的召回率、准确性和F‑measure都比其它的方法更高，效果更好。由于本发明是一种基于图的全局计算方法，所以可以一次标注出大量的lncRNA，有效的克服了以前局部方法一次只能标注少量lncRNA功能的问题。

Description

一种大规模标注lncRNA功能的方法
技术领域
本发明属于生物信息学领域，特别涉及一种大规模标注lncRNA功能的方法。
背景技术
长链非编码RNA(long non-coding RNA，lncRNA)是一种重要的非编码RNA，它在真核生物中被广泛转录。一般，lncRNA具有低的表达水平，中等的序列保守性，和高的组织特异性。越来越多的生物实验已经证实lncRNA能在细胞中发挥广泛而又重要的作用，比如基因调控、剪接控制、以及X染色体剂量补偿等。lncRNA还和人类疾病的发生、发展和防治都有着密切联系。因此，确定lncRNA的功能对于揭示其在生理及病理过程中的作用机制、疾病诊断和防治都有重要的意义，但是，目前人们仅仅对很少量的lncRNA的功能了解比较充分。最近，预测和识别lncRNA功能的研究引起了越来越多研究者的兴趣。
确定lncRNA的功能，在生物学领域，一般采取非编码RNA沉默和定位分析、RNA结合蛋白免疫沉淀技术、紫外交联免疫沉淀、环状染色质构象捕获、RNA反义纯化、RNA纯化的染色质分离和捕获杂交分析RNA靶点等，尽管这些技术能在一定程度上识别lncRNA的部分功能，但是由于实验设计复杂、代价高昂，而lncRNA的功能具有多样化和特异性强的特点，难以大规模应用于lncRNA功能识别。随着微阵列和新一代测序等高通量技术的发展，获得了大量与lncRNA有关的生物数据(lncRNA序列、表达谱、与蛋白质的相互作用等)，这为从计算上预测lncRNA的功能提供了条件。
近年来，已有一些研究者利用这些生物数据预测lncRNA的功能，比如，Guttman等人在4种小鼠细胞种通过基因组范围染色质状态谱发现了大约1600种lncRNA，并开发了一种方法进行lncRNA功能预测；Liao等人根据公开的微阵列表达谱数据，通过构造编码-非编码基因共表达网络标注了340个lncRNA的可能功能；Cabili与他的合作者编制了一个包含8000多种人类lincRNA的参考目录，并通过编码基因和非编码基因的共表达信息对它们进行了功能标注。这些方法基本上都是基于基因表达谱和一些局部信息，所以仅仅少量的lncRNA的功能可以被推断出来。近几年来，也出现了结合其它信息进行lncRNA功能标注的方法，例如，lncRNA2Function等。
发明内容
本发明提供一种大规模标注lncRNA功能的方法，其可以一次对大量lncRNA的功能进行标注，大大降低lncRNA功能标注的成本，降低费用。
本发明的技术方案如下：
1)根据lncRNA与蛋白质的共表达数据、相互作用数据计算lncRNA和蛋白质的皮尔逊相关系数，并根据相关系数构造lncRNA-蛋白质关系网络。2)根据lncRNA在人类24个组织或者细胞类型中的表达谱计算lncRNA之间的皮尔逊相关系数，据此构造lncRNA相似性网络。3)根据蛋白质相互作用数据构造蛋白质相互作用网络，并结合lncRNA-蛋白质和lncRNA相似性网络构建全局网络。4)利用上述构建的全局网络，根据公式(1)计算lncRNA节点和蛋白质节点的Katz度量，此Katz度量代表lncRNA节点和蛋白质节点的相似性度量，Katz度量值越大，说明这个蛋白质与lncRNA越相似。5)对上述步骤得到的lncRNA和蛋白质相似矩阵进行降序排列，按照分值选择其中前N个蛋白质，分别找出前N个蛋白质中每个蛋白质所对应的功能注释，对每个功能注释，根据公式(2)计算此lncRNA具有该功能的概率。
本发明与现有标注lncRNA功能的方法相比，现有的大部分方法都是基于基因的表达谱和基因的一些局部信息，因此一次仅能对少量的lncRNA进行功能注释，而本发明是根据全局网络进行计算推断的，所以一次可以对全基因组的lncRNA进行功能注释。此外，本发明不但考虑了基因表达谱信息，也结合了lncRNA与蛋白质的相互作用信息以及蛋白质之间的相互作用信息。与现有的方法相比，本发明利用了更多的生物数据，可以显著地提高lncRNA功能预测的准确度，同时，本发明可以一次对大量lncRNA进行功能预测，有效的解决了现有计算方法的问题，也为生物实验进行lncRNA功能注释提供了有价值的参考。
附图说明
图1是本发明实施例整个过程的处理流程示意图。
图2为本发明实施例N取不同值时的性能变化曲线图，当N选择不同的值时，Fmax的值波动较大，最好的性能(Fmax最大)出现在N近似是40时。
图3本发明实施例网络中包含或去掉PPI时的准确率-召回率曲线图。
图4在手工标注的55个lncRNA上，本发明实施例和LncRNA2Function分别正确注释的lncRNA的个数比较示意图。
图5在全基因组上，本发明实施例和LncRNA2Function分别正确注释的lncRNA的个数比较示意图。
图6在不同GO深度下，本发明实施例和LncRNA2Function分别注释lncRNA的个数比较示意图。
具体实施方式
下面将结合附图和实施例对本发明做进一步详细说明。
本发明的原理是：根据lncRNA-蛋白质的共表达数据及相互作用数据、lncRNA的表达谱 数据和蛋白质的相互作用数据，构建一个全局的异构无向图，通过Katz度量计算lncRNA顶点和蛋白质顶点的相似性，从而依据相似蛋白质的功能标注信息对未知的lncRNA进行功能标注。
如图1所示，本实施例从GENCODE数据库中共下载了15941个lncRNA基因和20284个编码基因。为了获得全基因组范围内的lncRNA和编码基因的联系，分别从COXPRESdb、ArrayExpress等数据库下载了共表达数据，从NPInter数据库下载了lncRNA-蛋白质作用数据。根据这些lncRNA-蛋白质的共表达数据和相互作用数据，采用朴素贝叶斯方法计算lncRNA和蛋白质的相关性：
其中，C(l,p)是基因d(lncRNA)和编码基因p之间的整体相关系数，Cd(l,p)代表l和p在数据集d上的相关分数，D是基因对(l和p)的个数。然后结合计算出的lncRNA和蛋白质的相关性构造lncRNA-蛋白质的关系网络，此网络共包含15941个lncRNA基因和20284个编码基因，并用邻接矩阵LP表示。
从NONCODE2016中下载了lncRNA在人类24个组织中的表达谱数据，根据这些表达谱数据计算lncRNA之间的表达相关性，具体采用皮尔逊相关系数公式计算每对lncRNA之间的表达相关性，然后根据这些表达相关性构造lncRNA相似性网络，此网络共包含15941个lncRNA基因，用邻接矩阵L表示。
根据从STRING数据库下载的蛋白质相互作用数据，构造蛋白质相互作用网络，记作P，共包含20284个蛋白质，结合步骤1、步骤2计算出的矩阵LP、L，构造全局异构网络，用邻接矩阵表示。
Katz度量通过计算两个节点间的距离来衡量两个节点的相似性，基于此，本发明提出通过计算lncRNA节点和蛋白质节点的Katz度量来测量lncRNA基因和蛋白质的相似性，即，利用上述步骤构造的全局网络的邻接矩阵A，计算15941个lncRNA节点和20284个蛋白质节点的Katz度量，计算公式为：
SLP＝βLP+β2(L*LP+LP*P)+β3(LP*LPT*LP+L2*LP+L*LP*P+LP*P2) (1)
其中，β是不同长度路径的权重系数，满足β＜1/||A||2。计算结果为分数矩阵，分值越大，表示越相似。
对于给定的lncRNA l，从Slp中降序排列的分值中选择前N个蛋白质，并找出前N个蛋白质所对应的注释信息，然后对于每一个GO术语，计算它被指定给lncRNA的概率Pl(Ti)，计算公式为：
其中，Slp是lncRNA l和它的邻近编码基因的Kazt相似性分数，Ind(Ti)是一个指示函数，定义如下：
Pl(Ti)越大，则lncRNA l越可能具有该功能。
本发明实施例进行了有效性验证如下。
本发明实施例方法可称之为KATZLGO，需要根据Slp中前N个蛋白质的GO信息来注释RNA，但是，目前没有有效的计算方法确定N的值。在本方法中，通过在手工构建的lncRNA注释数据集lncRNA2GO-55上进行性能评估，根据性能评估的结果选择合适的值，如图2所示。从图2中可以看出，当N取不同的值时，本发明的性能会发生剧烈的波动，当N取值约35至50之间时性能较好，而为40时，性能最好。
本发明实施例比其它预测方法集成了更多生物信息，比如蛋白质相互作用数据。为了评估蛋白质相互作用信息的影响，本发明在825个蛋白质的数据集Protein2GO-825上进行性能评估，如图3所示。显然，含有蛋白质相互作用数据的性能(红色曲线)优于不包含蛋白质相互作用数据的性能(绿线)。
本发明实施例KATZLGO与目前最好的方法LncRNA2Function进行了比较：在数据集lncRNA2GO-55上进行生物过程预测，两种方法的准确率、召回率和F值，如表1所示。在手工注释的55个lncRNA的数据集上，KATZLGO每个性能指标均好于方法LncRNA2Function。
表1
同时，图4示出了在手工标注的55个lncRNA上，本发明实施例和LncRNA2Function分别正确注释的lncRNA的个数比较。图5示出了在全基因组上，本发明实施例和LncRNA2Function分别正确注释的lncRNA的个数比较。图6示出了在不同GO深度下，本发 明实施例和LncRNA2Function分别注释lncRNA的个数比较。

Claims (8)

1.一种大规模标注lncRNA功能的方法，其特征在于，包括如下步骤：
步骤1、根据lncRNA与蛋白质的共表达数据、相互作用数据计算lncRNA和蛋白质的皮尔逊相关系数，并根据相关系数构造lncRNA-蛋白质关系网络；
步骤2、根据lncRNA在人类24个组织或者细胞类型中的表达谱计算lncRNA之间的皮尔逊相关系数，据此构造lncRNA相似性网络；
步骤3、根据蛋白质相互作用数据构造蛋白质相互作用网络，并结合lncRNA-蛋白质和lncRNA相似性网络构建全局网络；
步骤4、利用上述构建的全局网络，根据公式(1)计算lncRNA节点和蛋白质节点的Katz度量，此Katz度量代表lncRNA节点和蛋白质节点的相似性度量，Katz度量值越大，说明这个蛋白质与lncRNA越相似；
步骤5、对上述步骤得到的lncRNA和蛋白质相似矩阵进行降序排列，按照分值选择其中前N个蛋白质，分别找出前N个蛋白质中每个蛋白质所对应的功能注释，对每个功能注释，根据公式(2)计算此lncRNA具有该功能的概率。
2.根据权利要求1所述的大规模标注lncRNA功能的方法，其特征在于，步骤1具体为：根据lncRNA-蛋白质的共表达数据及相互作用数据，采用朴素贝叶斯方法计算lncRNA和蛋白质的相关性：
其中，C(l,p)是lncRNA基因d和编码基因p之间的整体相关系数，Cd(l,p)代表l和p在数据集d上的相关分数，D是基因对l和p的个数，然后结合计算出的lncRNA和蛋白质的相关性构造lncRNA-蛋白质的关系网络，并用邻接矩阵LP表示。
3.根据权利要求2所述的大规模标注lncRNA功能的方法，其特征在于，所述lncRNA-蛋白质的共表达数据及相互作用数据包括从GENCODE数据库中下载的lncRNA基因和编码基因，从COXPRESdb、ArrayExpress数据库下载的共表达数据，从NPInter数据库下载的lncRNA-蛋白质作用数据。
4.根据权利要求2或3所述的大规模标注lncRNA功能的方法，其特征在于，步骤2具体为：根据lncRNA在人类24种组织或者细胞类型中的表达谱数据计算lncRNA之间的表达相关性，具体采用皮尔逊相关系数公式计算每对lncRNA之间的表达相关性，然后根据这些表达相关性构造lncRNA相似性网络，用邻接矩阵L表示。
5.根据权利要求4所述的大规模标注lncRNA功能的方法，其特征在于，步骤3：根据蛋白质相互作用数据，构造蛋白质相互作用网络，记作P，结合步骤1、步骤2计算出的矩阵LP、L，构造全局异构网络，用邻接矩阵表示。
6.根据权利要求5所述的大规模标注lncRNA功能的方法，其特征在于，步骤4具体为：利用步骤3构造的全局网络的邻接矩阵A，计算lncRNA节点和蛋白质节点的Katz度量，计算公式为：
SLP＝βLP+β2(L*LP+LP*P)+β3(LP*LPT*LP+L2*LP+L*LP*P+LP*P2) (1)
其中，β是不同长度路径的权重系数，满足β＜1/||A||2。
7.根据权利要求6所述的大规模标注lncRNA功能的方法，其特征在于，步骤5具体为：对于给定的lncRNA l，从Slp中降序排列的分值中选择前N个蛋白质，然后对于每一个GO术语，计算它被指定给lncRNA的概率Pl(Ti)，计算公式为：
其中，Slp是lncRNA l和它的邻近编码基因的Kazt相似性分数，Ind(Ti)是一个指示函数，定义如下：
Pl(Ti)越大，则lncRNA l越可能具有该功能。
8.根据权利要求7所述的大规模标注lncRNA功能的方法，其特征在于，N在35至50之间取值。
CN201610406692.9A 2016-06-12 2016-06-12 一种大规模标注lncRNA功能的方法 Active CN106446601B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610406692.9A CN106446601B (zh) 2016-06-12 2016-06-12 一种大规模标注lncRNA功能的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610406692.9A CN106446601B (zh) 2016-06-12 2016-06-12 一种大规模标注lncRNA功能的方法

Publications (2)

Publication Number Publication Date
CN106446601A true CN106446601A (zh) 2017-02-22
CN106446601B CN106446601B (zh) 2019-10-01

Family

ID=58183205

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610406692.9A Active CN106446601B (zh) 2016-06-12 2016-06-12 一种大规模标注lncRNA功能的方法

Country Status (1)

Country Link
CN (1) CN106446601B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108920903A (zh) * 2018-07-09 2018-11-30 湘潭大学 基于朴素贝叶斯的LncRNA与疾病的关联关系预测方法及系统
CN109243538A (zh) * 2018-07-19 2019-01-18 长沙学院 一种预测疾病与LncRNA关联关系的方法及系统
CN113241114A (zh) * 2021-03-24 2021-08-10 辽宁大学 一种基于图卷积神经网络的lncRNA-蛋白质相互作用预测方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102827923A (zh) * 2011-06-16 2012-12-19 上海聚类生物科技有限公司 长的非编码rna靶基因预测的方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102827923A (zh) * 2011-06-16 2012-12-19 上海聚类生物科技有限公司 长的非编码rna靶基因预测的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XING CHEN: "KATZLDA: KATZ measure for the lncRNA-disease association prediction", 《SCI REP》 *
XINGLI GUO ET AL.: "Long non-coding RNAs function annotation: a global prediction method based on bi-colored network", 《NUCLEIC ACIDS RESEARCH》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108920903A (zh) * 2018-07-09 2018-11-30 湘潭大学 基于朴素贝叶斯的LncRNA与疾病的关联关系预测方法及系统
CN108920903B (zh) * 2018-07-09 2022-04-01 湘潭大学 基于朴素贝叶斯的LncRNA与疾病的关联关系预测方法及系统
CN109243538A (zh) * 2018-07-19 2019-01-18 长沙学院 一种预测疾病与LncRNA关联关系的方法及系统
CN109243538B (zh) * 2018-07-19 2021-11-23 长沙学院 一种预测疾病与LncRNA关联关系的方法及系统
CN113241114A (zh) * 2021-03-24 2021-08-10 辽宁大学 一种基于图卷积神经网络的lncRNA-蛋白质相互作用预测方法

Also Published As

Publication number Publication date
CN106446601B (zh) 2019-10-01

Similar Documents

Publication Publication Date Title
Binder et al. Big data in medical science—a biostatistical view: Part 21 of a series on evaluation of scientific publications
Wen et al. A classification model for lncRNA and mRNA based on k-mers and a convolutional neural network
CN111653359B (zh) 一种出血性疾病的智能预测模型构建方法和预测系统
CN106599615B (zh) 一种预测miRNA靶基因的序列特征分析方法
US20180107927A1 (en) Architectures for training neural networks using biological sequences, conservation, and molecular phenotypes
CN108830045B (zh) 一种基于多组学的生物标记物系统筛选方法
CN110010194A (zh) 一种rna二级结构的预测方法
CN108121896B (zh) 一种基于miRNA的疾病间关系分析方法和装置
CN106295246A (zh) 找到与肿瘤相关的lncRNA并预测其功能
Dunkler et al. Statistical analysis principles for Omics data
CN106446601B (zh) 一种大规模标注lncRNA功能的方法
JP2008146538A (ja) マイクロｒｎａ検出装置、方法およびプログラム
CN108427865B (zh) 一种预测LncRNA和环境因素关联关系的方法
Xiao et al. A survey of circular RNAs in complex diseases: databases, tools and computational methods
Chen et al. DECODE: A De ep-learning Framework for Co n de nsing Enhancers and Refining Boundaries with Large-scale Functional Assays
Yankee et al. Integrative analysis of transcriptome dynamics during human craniofacial development identifies candidate disease genes
CN110610763A (zh) 基于katz模型的代谢物与疾病关联关系预测方法
CN108052797A (zh) 应用于组织样本中染色体上转录因子结合位点的检测方法
CN109378034B (zh) 一种基于距离分布估计的蛋白质预测方法
CN103310128B (zh) 考虑种子片段的长度的碱基序列处理系统及方法
Molaro et al. Studying the evolution of histone variants using phylogeny
CN108595914A (zh) 一种烟草线粒体rna编辑位点高精度预测方法
CN108154008A (zh) 应用于组织样本中染色体上转录因子结合位点的检测方法
CN115295079A (zh) 基于元图学习的长链非编码rna亚细胞定位预测方法
Abass et al. Analysis of Prostate Cancer DNA Sequences Using Bi-direction Long Short Term Memory Model

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant