CN113539360A - 一种基于相关性优化和免疫富集的lncRNA特征识别方法 - Google Patents

Abstract

本发明公开了一种基于相关性优化和免疫富集的lncRNA特征识别方法，旨在识别参与免疫调控的lncRNA特征：首先，对信使RNA(mRNA)和长非编码RNA(lncRNA)之间的直接相关性进行分析，获得直接相关系数；然后，对mRNA和lncRNA之间的偏相关性进行分析，获得偏相关系数；其次，对相关性进行综合分析，将直接相关系数和偏相关系数进行融合，获得优化后的相关系数；最后，根据优化后的相关系数和免疫基因集进行GSEA富集分析，获得免疫相关的lncRNA特征。本发明对直接相关和偏相关进行融合，将融合后的相关性用于免疫富集分析，使得免疫相关的lncRNA特征鉴定的准确度更高。

Description

一种基于相关性优化和免疫富集的lncRNA特征识别方法

技术领域

本发明属于生物医学技术领域，具体涉及一种lncRNA特征识别方法。

背景技术

长非编码RNA(lncRNA)是指长度大于200个核苷酸的RNA分子，与其它RNA相比，lncRNA有着较低的表达值和保守性，刚开始被误认为是转录噪声。近年来，越来越多的lncRNA被鉴定出来，GENECODE数据库(v22)已经注释出了14286个lncRNA。研究表明，lncRNA参与许多重要的调控过程，且和癌症的发生息息相关。免疫相关的lncRNA特征的识别，有助于我们在分子水平对其发病机制进行研究。相关性分析是一种常见的RNA表达数据分析方法，常被用来分析mRNA和lncRNA之间的相互关联程度。mRNA与lncRNA之间的相关性分直接相关和间接相关两种，对应的相关系数为直接相关系数和偏相关系数。Pearson相关性和Spearman相关性计算的均是直接相关系数，偏相关系数是在直接相关的基础上，消除影响因素后的净相关程度。相关系数可以作为排序得分，从而进行功能富集分析。GSEA是常用的富集分析方法，其基本原理如下：首先，进行基因排序，形成一个排好序的基因列表；然后，分析基因集的富集情况；其次，计算基因集的ES值；最后，对基因集的ES值进行显著性检验及多重假设检验，从而计算出显著富集的基因集。

直接相关性计算方法Pearson和Spearman虽然可以在一定程度上拟合mRNA和lncRNA之间的表达相关性，但它们均存在一定的局限性。对于Pearson相关性来说：当存在一个非常远的离群点时，Pearson相关性不能客观地表示相关性的大小；当变量之间的相关性很复杂时(不是简单的线性相关)，即使它们之间的相关程度很高，Pearson相关性的数值也可能为0；对于Spearman相关性来说：必须假设数据是从正态分布中成对获得的；数据至少在逻辑范围内时等距的。此外，mRNA和lncRNA的作用关系不一定是直接相关的，也可能是偏相关的。mRNA与lncRNA的表达情况可能会受肿瘤纯度的影响，为了消除这个影响，必须对mRNA和lncRNA在肿瘤纯度上的偏相关性进行计算。综上，基于现有相关性计算方法存在的缺陷，有必要对其进行优化，将直接相关性和偏相关性进行融合，获得优化后的相关系数，并将这个系数用于免疫富集分析，从而获得免疫相关的lncRNA特征。

发明内容

为了克服现有技术的不足，本发明提供了一种基于相关性优化和免疫富集的lncRNA特征识别方法，旨在识别参与免疫调控的lncRNA特征：首先，对信使RNA(mRNA)和长非编码RNA(lncRNA)之间的直接相关性进行分析，获得直接相关系数；然后，对mRNA和lncRNA之间的偏相关性进行分析，获得偏相关系数；其次，对相关性进行综合分析，将直接相关系数和偏相关系数进行融合，获得优化后的相关系数；最后，根据优化后的相关系数和免疫基因集进行GSEA富集分析，获得免疫相关的lncRNA特征。本发明对直接相关和偏相关进行融合，将融合后的相关性用于免疫富集分析，使得免疫相关的lncRNA特征鉴定的准确度更高。

本发明解决其技术问题所采用的技术方案包括如下步骤：

步骤1：计算mRNA和lncRNA之间的直接相关系数；

步骤2：计算mRNA和lncRNA之间的偏相关系数；

步骤3：根据mRNA和lncRNA之间直接相关系数和偏相关系数，对相关性进行优化，确定mRNA和lncRNA之间优化后的相关系数；

步骤4：将优化后的相关系数作为富集分数，在免疫基因集上进行富集分析，获得免疫相关的lncRNA特征。

进一步地，所述计算mRNA和lncRNA之间的直接相关系数，具体步骤如下：

步骤1-1：计算mRNA和lncRNA之间的Pearson相关性，第m个mRNA和第l个lncRNA之间的Pearson相关系数定义如下：

其中函数E用于计算变量的数学期望；P(m,l)的取值范围为[-1,1]，取值为负数表示负相关，取值为正数表示正相关，P(m,l)的绝对值越大，表示m和l之间的Pearson相关性越强；

步骤1-2：计算mRNA和lncRNA之间的Spearman相关性，第m个mRNA和第l个lncRNA之间的Spearman相关系数定义如下：

其中r表示样本数目，d表示m与l之间秩的差异；S(m,l)的取值范围为[-1,1]，取值为负数表示负相关，取值为正数表示正相关，S(m,l)的绝对值越大，表示m和l之间的Spearman相关性越强；

步骤1-3：将Pearson相关性和Spearman相关性进行结合，获得最终的直接相关性，第m个mRNA和第l个lncRNA之间的直接相关系数定义如下：

C(m,l)＝αP(m,l)+(1-α)S(m,l)

其中α的范围为[-1,1]；C(m,l)的取值范围为[-1,1]，C(m,l)取值为负数表示负相关，取值为正数表示正相关，C(m,l)的绝对值越大，表示m和l之间的直接相关性越强。

进一步地，所述计算mRNA和lncRNA之间的偏相关系数，具体步骤如下：

步骤2-1：计算样本的肿瘤纯度，肿瘤纯度用TP表示，其中TP∈{t₁,t₂,...,t_r}，t_i表示第i个样本的肿瘤纯度，t_i的范围为[0,1]，t_i的值越大，表示样本的肿瘤纯度越高，样本总数为r；

步骤2-2：计算mRNA和lncRNA之间基于肿瘤纯度TP的偏相关系数，第m个mRNA与第l个lncRNA在肿瘤纯度t处的偏相关系数定义如下：

其中，C(m,l)表示m与l间的直接相关系数，C(m,t)表示m与t间的直接相关系数，C(t,l)表示t与l间的直接相关系数；PC(m,l)(t)的取值范围为[-1,1]，PC(m,l)(t)取值为负数表示负相关，取值为正数表示正相关，PC(m,l)(t)的绝对值越大，表示m与l之间的偏相关性越强。

进一步地，所述对mRNA和lncRNA之间的相关性进行优化，确定mRNA和lncRNA之间优化后的相关系数，公式表示如下：

第m个mRNA和第l个lncRNA在肿瘤纯度t处优化后的相关系数定义如下：

其中β的范围为[-1,1]；O(m，l)(t)的取值范围为[-1,1]，O(m,l)(t)取值为负数表示负相关，取值为正数表示正相关，O(m,l)(t)的绝对值越大，表示m和l之间优化和的相关性越强。

进一步地，所述步骤4的具体步骤如下：

步骤4-1：对优化后的相关性进行过滤，即对优化后的相关系数O(m,l)(t)在θ处进行过滤，获得最终的相关系数O(m,l)(t,θ)，其对应的系数矩阵为O_ML(t,θ)，矩阵O_ML(t,θ)的每一行或每一列中至少有一个值大于等于θ；θ表示过滤的阈值，取值范围为[0,1]；

步骤4-2：进行GSEA富集分析，从O_ML(t,θ)矩阵中获得若干lncRNA相关的mRNA类，将这些mRNA类和对应的系数进行排序，根据排序得分在免疫路径上进行GSEA富集分析，获得lncRNA在免疫路径上的富集情况：

步骤4-3：对富集分析结果进行过滤，据富集分数和p值获得免疫相关的lncRNA路径对的score得分，其定义如下：

其中，E(l,w)表示lncRNA l在免疫路径w上的富集分数，p表示富集分析的显著性水平，lncRNES(l,w)的取值范围为[-1,1]，根据阈值对lncRNES(l,w)进行筛选，默认的筛选阈值为γ，即选择绝对值大于γ的lncRNES(l,w)所对应的lncRNA特征为免疫相关的lncRNA特征。

进一步地，所述α＝0.5，β＝0.5，θ＝0.5，γ＝0.995。

本发明的有益效果如下：

1.本发明对直接相关性进行了优化，消除了现有直接相关性计算方法所存在的局限；

2.本发明对直接相关和偏相关进行融合，将融合后的相关性用于免疫富集分析，使得免疫相关的lncRNA特征鉴定的准确度更高。

附图说明

图1为本发明方法流程图。

具体实施方式

下面结合附图和实施例对本发明进一步说明。

为了解决现有相关性计算方法存在的缺陷及免疫相关的lncRNA特征识别的准确率不高的问题，本发明提供了一种基于相关性优化和免疫富集的lncRNA特征识别方法。主要解决了以下两个技术问题：一是解决了直接相关性计算不准确的问题，将Pearson相关性和Spearson进行结合，消除了它们各自的缺陷，二是解决了免疫相关的lncRNA特征识别不准确的问题，将直接相关性和偏相关性进行融合，并将融合后的相关性用于免疫富集分析，使得识别的免疫相关lncRNA特征的准确率更高。

如图1所示，一种基于相关性优化和免疫富集的lncRNA特征识别方法，包括如下步骤：

步骤1：直接相关性计算：计算mRNA和lncRNA之间的直接相关系数；

步骤2：偏相关性计算：计算mRNA和lncRNA之间的偏相关系数；

步骤3：相关性优化：根据mRNA和lncRNA之间直接相关系数和偏相关系数，对相关性进行优化，确定mRNA和lncRNA之间优化后的相关系数；

步骤4：免疫相关的lncRNA特征识别：将优化后的相关系数作为富集分数，在免疫基因集上进行富集分析，获得免疫相关的lncRNA特征。

进一步地，所述计算mRNA和lncRNA之间的直接相关系数，具体步骤如下：

步骤1-1：计算mRNA和lncRNA之间的Pearson相关性，第m个mRNA和第l个lncRNA之间的Pearson相关系数定义如下：

其中函数E用于计算变量的数学期望；P(m,l)的取值范围为[-1,1]，取值为负数表示负相关，取值为正数表示正相关，P(m,l)的绝对值越大，表示m和l之间的Pearson相关性越强；

步骤1-2：计算mRNA和lncRNA之间的Spearman相关性，第m个mRNA和第l个lncRNA之间的Spearman相关系数定义如下：

其中r表示样本数目，d表示m与l之间秩的差异；S(m,l)的取值范围为[-1,1]，取值为负数表示负相关，取值为正数表示正相关，S(m,l)的绝对值越大，表示m和l之间的Spearman相关性越强；

步骤1-3：将Pearson相关性和Spearman相关性进行结合，获得最终的直接相关性，第m个mRNA和第l个lncRNA之间的直接相关系数定义如下：

C(m,l)＝αP(m,l)+(1-α)S(m,l)

其中α的范围为[-1,1]，缺省值为0.5；C(m,l)的取值范围为[-1,1]，C(m,l)取值为负数表示负相关，取值为正数表示正相关，C(m,l)的绝对值越大，表示m和l之间的直接相关性越强。

进一步地，所述计算mRNA和lncRNA之间的偏相关系数，具体步骤如下：

步骤2-1：计算样本的肿瘤纯度，肿瘤纯度用TP表示，其中TP∈{t₁,t₂,...,t_r}，t_i表示第i个样本的肿瘤纯度，t_i的范围为[0,1]，t_i的值越大，表示样本的肿瘤纯度越高，样本总数为r；

步骤2-2：计算mRNA和lncRNA之间基于肿瘤纯度TP的偏相关系数，第m个mRNA与第l个lncRNA在肿瘤纯度t处的偏相关系数定义如下：

其中，C(m,l)表示m与l间的直接相关系数，C(m,t)表示m与t间的直接相关系数，C(t,l)表示t与l间的直接相关系数；PC(m,l)(t)的取值范围为[-1,1]，PC(m,l)(t)取值为负数表示负相关，取值为正数表示正相关，PC(m,l)(t)的绝对值越大，表示m与l之间的偏相关性越强。

进一步地，所述对mRNA和lncRNA之间的相关性进行优化，确定mRNA和lncRNA之间优化后的相关系数，当偏相关系数大于等于0.7时，认为偏相关发挥主要调控作用，优化后的相关系数等于偏相关系数，当偏相关系数大于等于0.3小于0.7时，认为直接相关和偏相关共同发挥调控作用，优化后的相关系数由直接相关系数和偏相关系数融合得到，当偏相关系数小于0.3时，认为偏相关基本不发挥调控作用，优化后的相关系数等于直接相关系数，第m个mRNA和第l个lncRNA在肿瘤纯度t处优化后的相关系数定义如下：

其中β的范围为[-1,1]，缺省值为0.5；O(m,l)(t)的取值范围为[-1,1]，O(m,l)(t)取值为负数表示负相关，取值为正数表示正相关，O(m，l)(t)的绝对值越大，表示m和l之间优化和的相关性越强。

进一步地，所述步骤4的具体步骤如下：

步骤4-1：对优化后的相关性进行过滤，即对优化后的相关系数O(m,l)(t)在θ处进行过滤，获得最终的相关系数O(m,l)(t,θ)，其对应的系数矩阵为O_ML(t,θ)，矩阵O_ML(t,θ)的每一行或每一列中至少有一个值大于等于θ；θ表示过滤的阈值，取值范围为[0,1]，缺省值为0.5；

步骤4-2：进行GSEA富集分析，从O_ML(t,θ)矩阵中获得若干lncRNA相关的mRNA类，将这些mRNA类和对应的系数进行排序，根据排序得分在免疫路径上进行GSEA富集分析，获得lncRNA在免疫路径上的富集情况：

步骤4-3：对富集分析结果进行过滤，据富集分数和p值获得免疫相关的lncRNA路径对的score得分，其定义如下：

其中，E(l,w)表示lncRNA l在免疫路径w上的富集分数，p表示富集分析的显著性水平，lncRNES(l,w)的取值范围为[-1,1]，根据阈值对lncRNES(l,w)进行筛选，默认的筛选阈值为0.995，即选择绝对值大于0.995的lncRNES(l,w)所对应的lncRNA特征为免疫相关的lncRNA特征。

具体实施例：

本发明采用了TCGA数据库中的癌症表达数据(mRNA表达数据与lncRNA表达数据)进行实验，用R程序和perl脚本对其进行分析，获得最终的免疫相关的lncRNA特征，具体如下：

E1：对TCGA中的33种癌症表达数据进行直接相关性分析，确定它们的直接相关系数，这一过程具体如下：

E1-1：用perl脚本从癌症的表达数据中提取mRNA表达数据和lncRNA表达数据，获得19814个mRNA和14826个lncRNA的表达情况，用R软件的edger包对mRNA表达数据和lncRNA表达数据进行标准化处理，并将标准化后的表达矩阵用于Pearson相关性计算，获得mRNA和lncRNA之间的Pearson相关性矩阵，矩阵的大小是19814行14826列；

E1-2：用perl脚本从癌症的表达数据中提取mRNA表达数据和lncRNA表达数据，获得19814个mRNA和14826个lncRNA的表达情况，用R软件的edger包对mRNA表达数据和lncRNA表达数据进行标准化处理，并将标准化后的表达矩阵用于Spearman相关性计算，获得mRNA和lncRNA之间的Spearman相关性矩阵，矩阵的大小是19814行14826列；

E1-3：将Pearson相关性和Spearman相关性进行融合，获得最终的直接相关性矩阵，矩阵的大小是19814行14826列。

E2：根据肿瘤纯度和直接相关性，计算mRNA和lncRNA之间基于肿瘤纯度的偏相关性，这一过程具体如下：

E2-1：获得癌症中每个样本的肿瘤纯度，这些样本与mRNA表达矩阵和lncRNA表达矩阵中的样本为同一批样本；

E2-2：计算mRNA和lncRNA之间基于肿瘤纯度的偏相关系数，获得偏相关性矩阵，矩阵的大小是19814行14826列。

E3：根据直接相关性矩阵和偏相关性矩阵，获得优化后的相关性矩阵，矩阵的大小是19814行14826列。

E4：根据优化后的相关性和17个免疫路径上的基因集，进行GSEA富集分析，获得免疫相关的lncRNA，这一过程具体如下：

E4-1：对优化后的相关性进行过滤，过滤的阈值为0.5，即过滤后的相关性矩阵中，每一行和每一列中至少有一个数的绝对值大于等于0.5；

E4-2：对过滤后的相关系数按lncRNA相关的mRNA的相关系数的大小进行排序，将这个排序得分和17个免疫路径上的基因集作为输入，进行GSEA富集分析；

E4-3：对GSEA富集分析的结果进行过滤，获得免疫相关的lncRNA特征，对于33种癌症，各获得了一系列免疫相关的lncRNA特征，分析发现，这些免疫相关的lncRNA特征在免疫细胞中有着更高的表达，这证明我们识别的免疫相关的lncRNA特征有着较高的准确性。

Claims (6)

1.一种基于相关性优化和免疫富集的lncRNA特征识别方法，其特征在于，包括以下步骤：

步骤1：计算mRNA和lncRNA之间的直接相关系数；

步骤2：计算mRNA和lncRNA之间的偏相关系数；

步骤3：根据mRNA和lncRNA之间直接相关系数和偏相关系数，对相关性进行优化，确定mRNA和lncRNA之间优化后的相关系数；

步骤4：将优化后的相关系数作为富集分数，在免疫基因集上进行富集分析，获得免疫相关的lncRNA特征。

2.根据权利要求1所述的一种基于相关性优化和免疫富集的lncRNA特征识别方法，其特征在于，所述计算mRNA和lncRNA之间的直接相关系数，具体步骤如下：

步骤1-1：计算mRNA和lncRNA之间的Pearson相关性，第m个mRNA和第l个lncRNA之间的Pearson相关系数定义如下：

其中函数E用于计算变量的数学期望；P(m,l)的取值范围为[-1,1]，取值为负数表示负相关，取值为正数表示正相关，P(m,l)的绝对值越大，表示m和l之间的Pearson相关性越强；

步骤1-2：计算mRNA和lncRNA之间的Spearman相关性，第m个mRNA和第l个lncRNA之间的Spearman相关系数定义如下：

其中r表示样本数目，d表示m与l之间秩的差异；S(m,l)的取值范围为[-1,1]，取值为负数表示负相关，取值为正数表示正相关，S(m,l)的绝对值越大，表示m和l之间的Spearman相关性越强；

步骤1-3：将Pearson相关性和Spearman相关性进行结合，获得最终的直接相关性，第m个mRNA和第l个lncRNA之间的直接相关系数定义如下：

C(m,l)＝αP(m,l)+(1-α)S(m,l)

其中α的范围为[-1,1]；C(m,l)的取值范围为[-1,1]，C(m,l)取值为负数表示负相关，取值为正数表示正相关，C(m,l)的绝对值越大，表示m和l之间的直接相关性越强。

3.根据权利要求2所述的一种基于相关性优化和免疫富集的lncRNA特征识别方法，其特征在于，所述计算mRNA和lncRNA之间的偏相关系数，具体步骤如下：

步骤2-1：计算样本的肿瘤纯度，肿瘤纯度用TP表示，其中TP∈{t₁,t₂,...,t_r}，t_i表示第i个样本的肿瘤纯度，t_i的范围为[0,1]，t_i的值越大，表示样本的肿瘤纯度越高，样本总数为r；

步骤2-2：计算mRNA和lncRNA之间基于肿瘤纯度TP的偏相关系数，第m个mRNA与第l个lncRNA在肿瘤纯度t处的偏相关系数定义如下：

其中，C(m,l)表示m与l间的直接相关系数，C(m,t)表示m与t间的直接相关系数，C(t,l)表示t与l间的直接相关系数；PC(m,l)(t)的取值范围为[-1,1]，PC(m,l)(t)取值为负数表示负相关，取值为正数表示正相关，PC(m,l)(t)的绝对值越大，表示m与l之间的偏相关性越强。

4.根据权利要求3所述的一种基于相关性优化和免疫富集的lncRNA特征识别方法，其特征在于，所述对mRNA和lncRNA之间的相关性进行优化，确定mRNA和lncRNA之间优化后的相关系数，公式表示如下：

第m个mRNA和第l个lncRNA在肿瘤纯度t处优化后的相关系数定义如下：

其中β的范围为[-1,1]；O(m，l)(t)的取值范围为[-1,1]，O(m，l)(t)取值为负数表示负相关，取值为正数表示正相关，O(m，l)(t)的绝对值越大，表示m和l之间优化和的相关性越强。

5.根据权利要求4所述的一种基于相关性优化和免疫富集的lncRNA特征识别方法，其特征在于，所述步骤4的具体步骤如下：

步骤4-1：对优化后的相关性进行过滤，即对优化后的相关系数O(m,l)(t)在θ处进行过滤，获得最终的相关系数O(m,l)(t,θ)，其对应的系数矩阵为O_ML(t,θ)，矩阵O_ML(t,θ)的每一行或每一列中至少有一个值大于等于θ；θ表示过滤的阈值，取值范围为[0,1]；

步骤4-2：进行GSEA富集分析，从O_ML(t,θ)矩阵中获得若干lncRNA相关的mRNA类，将这些mRNA类和对应的系数进行排序，根据排序得分在免疫路径上进行GSEA富集分析，获得lncRNA在免疫路径上的富集情况：

步骤4-3：对富集分析结果进行过滤，据富集分数和p值获得免疫相关的lncRNA路径对的score得分，其定义如下：

其中，E(l,w)表示lncRNAl在免疫路径w上的富集分数，p表示富集分析的显著性水平，lncRNES(l,w)的取值范围为[-1,1]，根据阈值对lncRNES(l,w)进行筛选，默认的筛选阈值为γ，即选择绝对值大于γ的lncRNES(l,w)所对应的lncRNA特征为免疫相关的lncRNA特征。

6.根据权利要求5所述的一种基于相关性优化和免疫富集的lncRNA特征识别方法，其特征在于，所述α＝0.5，β＝0.5，θ＝0.5，γ＝0.995。

Images