[发明专利]一种预测影响长非编码RNA生物学功能的SNP位点的方法

权利要求书

1.一种预测影响与RNA结合蛋白结合的长非编码RNA的功能的SNP位点的方法，包括如下步骤：

(1)收集整理长非编码RNA数据，构建长非编码RNA数据集；

(2)收集人类基因组SNP位点的注释数据，通过比较SNP位点和长非编码基因的基因组定位，识别位于长非编码基因区的SNP位点；将所述长非编码RNA数据集中的长非编码RNA序列上的所述SNP位点对应的碱基替换为突变后的碱基，构建得到SNP位点碱基突变后的长非编码RNA数据集；

(3)收集RNA结合蛋白的注释数据，构建RNA结合蛋白的motif数据集；

所述motif数据集中包括motif序列，所述motif序列为RNA结合蛋白能够特异识别的RNA序列；

(4)基于极值分布对所述motif序列与所述长非编码RNA数据集中的每个长非编码RNA上的目标序列的相似程度进行评价，得到每个长非编码RNA打分最高的目标序列与所述motif序列相似程度的显著性水平p，并选择显著性水平p低于阈值的长非编码RNA作为SNP位点碱基突变前的所述RNA结合蛋白的靶标长非编码RNA；

所述目标序列是指位于所述长非编码RNA序列上且与所述motif序列长度相等的RNA序列；

假设某长非编码RNA序列长度为N；所述motif序列长度为L，那么在该长非编码RNA序列上就会得出(N-L+1)个目标序列；

(5)基于极值分布对所述motif序列与所述SNP位点碱基突变后的长非编码RNA数据集中的长非编码RNA上的目标序列的相似程度进行评价，得到每个长非编码RNA打分最高的目标序列与所述motif序列相似程度的显著性水平p，并选择相似程度的显著性水平低于阈值的长非编码RNA作为SNP位点碱基突变后的所述RNA结合蛋白的靶标长非编码RNA；

(6)比较所述SNP位点碱基突变前的所述RNA结合蛋白的靶标长非编码RNA和所述SNP位点碱基突变后的所述RNA结合蛋白的靶标长非编码RNA，得到所述影响与RNA结合蛋白结合的长非编码RNA的功能的SNP位点。

2.根据权利要求1所述的方法，其特征在于：以所述长非编码RNA数据集中的任意一个长非编码RNA为例，将其记作长非编码RNA甲，对所述motif序列与所述长非编码RNA甲上的目标序列的相似程度进行评价，得到所述长非编码RNA甲打分最高的目标序列与所述motif序列相似程度的显著性水平p的方法包括如下步骤：

1)针对长非编码RNA甲，构建10000条与所述长非编码RNA甲序列长度相同的随机序列；所述长非编码RNA甲序列长度为N；所述motif序列长度为L；所述N大于等于L；

2)针对每一条随机序列，分别计算(N-L+1)个目标序列与所述motif序列的相似度打分，分别得到(N-L+1)个目标序列与所述motif序列的相似度打分，将最高的相似度打分记作S_max；

所述目标序列是指位于所述随机序列上且与所述motif序列长度相等的RNA序列；

所述目标序列与所述motif序列的相似度打分S的计算公式如下：

其中，是目标序列第j个位置上的碱基与motif序列的相似度打分；

所述目标序列第j个位置上的碱基与motif序列的相似度打分的计算方法如下：对于序列长度为L的目标序列，位于第j个位置的碱基i与motif序列的相似度打分w_i，j的计算公式如下：

其中，i为A、G、C、U；j为1、2、3、……，L；f_i，j是motif序列第j个位置的碱基i出现的频率，P_i是碱基i在人类基因组中出现的频率；

3)同理，按照步骤2)中的方法，计算其他随机序列的最高的相似度打分，共得到10000个最高的相似度打分，并计算所述10000个最高的相似度打分的平均值，将所述平均值记作

4)按照如下公式估计极值分布的参数μ和β：

其中，为S_max的标准差；γ为欧拉-马歇罗尼常数；

5)基于极值分布，按照如下公式计算长非编码RNA甲打分最高的目标序列与所述motif序列相似程度的显著性水平p：

其中，S为长非编码RNA甲所对应的所有目标序列中与motif序列的相似度打分最高者的打分；

同理，得到所述长非编码RNA数据集中的其他长非编码RNA打分最高的目标序列与motif序列相似程度的显著性水平p。