基于ME和k-mer的長非編碼RNA和mRNA識別研究.pdf

1、隨著高通量測序技術(shù)的快速發(fā)展，在許多物種中，包括人類、小鼠等常見的哺乳動(dòng)物，發(fā)現(xiàn)了大量的轉(zhuǎn)錄本序列。這些轉(zhuǎn)錄本序列中，長非編碼RNA含量相當(dāng)豐富，約占RNA的4-9％，而mRNA只約占1-2％，并且研究發(fā)現(xiàn)有些長非編碼RNA參與了許多重要的生命過程，如細(xì)胞分化、免疫反應(yīng)、信號通路以及新陳代謝調(diào)控途徑等。大量的研究還表明長非編碼RNA還與人類疾病有密切的關(guān)系。由此，探索和研究長非編碼RNA的功能，以及與人類疾病的相關(guān)性已經(jīng)成為當(dāng)前的一個(gè)研

2、究熱點(diǎn)。目前仍有大量的長非編碼RNA沒有被鑒定出來，如何區(qū)分長非編碼RNA和mRNA成為當(dāng)下一個(gè)迫切期待解決的問題之一。
　　為了構(gòu)建長非編碼RNA和mRNA識別模型，首先必須克服如下兩個(gè)問題：首先，被高通量測序技術(shù)所構(gòu)建出的轉(zhuǎn)錄本序列數(shù)目巨大且有很多物種并沒有完整的基因組注釋信息，特別是長非編碼RNA的注釋信息更少；其次，測序過程中的不可避免的錯(cuò)誤，有可能造成測序序列的失真。這些問題都可能給長非編碼RNA和mRNA的識別帶來挑戰(zhàn)

3、。
　　為了解決上述問題，本文提出了一種基于最大熵和k-mer的識別長非編碼RNA和mRNA方法。對樣本數(shù)據(jù)進(jìn)行特征提取，提取出多個(gè)k-mers特征，通過基于最大熵的特征選擇方法選取部分轉(zhuǎn)錄本序列的k-mer特征，然后利用libSVM工具建立長非編碼RNA和mRNA的識別模型。使用5-fold交叉驗(yàn)證對方法在訓(xùn)練集上進(jìn)行了驗(yàn)證，得到94.96％的識別精度。在跨物種的實(shí)驗(yàn)表明本文的算法具有一定的適應(yīng)性。通過模擬indel測序錯(cuò)誤序列