[发明专利]基于多特征信息融合的长链非编码RNA亚细胞定位方法

说明书

本发明公开了一种基于多特征信息融合的长链非编码RNA的亚细胞定位方法，介绍了一种新颖的方法来对长链非编码RNA亚细胞位置进行预测。该方法通过将k‑mer组分与三元组结构‑序列融合起来将长链非编码RNA序列表示为向量，更加全面的利用了长链非编码RNA的序列与结构信息。为获取最优的特征子集，基于方差分析进行了特征选择。在留一法交叉验证实验中，本发明方法的准确率达到了92.38％，优于同类别算法。

技术领域

本发明涉及生物信息学领域，具体涉及一种新的长链非编码RNA亚细胞定位方法。

背景技术

长链非编码RNA(long non-coding RNA,lncRNA)是一种长度超过200个核苷酸的转录本。起初他们被认为是基因组转录的“噪音”，没有生物功能。然而，近年来研究人员发现长链非编码RNA在多种细胞和生物进程中发挥着重大的作用，如细胞分化、细胞内转运、染色质修饰、mRNA剪接，转录以及转录后调控等。此外，长链非编码RNA的失调还与多种人类疾病相关，如心血管疾病、神经退行性疾病、肥胖症以及癌症。越来越多的证据表明长链非编码RNA的亚细胞位置对其生物学功能有非常大的影响。例如，出现在细胞质中的长链非编码RNA可能参与翻译或信号传导，而出现在细胞核中的长链非编码RNA则发挥着调控基因表达的作用。因此，确定长链非编码RNA的亚细胞位置十分重要。

近年来，通过实验的方法，越来越多关于长链非编码RNA亚细胞位置的信息被获取。与此同时，研究人员也构建了一系列长链非编码RNA相关的数据库，如RNALocate、LncATLAS 以及lncSLdb等。这些数据库的构建进一步加快了通过计算的方法来预测长链非编码RNA亚细胞位置的进程。近来，Cao等人[1]构建了一个集成的分类器，lncLocator，该分类器将四个分类器整合到一起，通过堆叠集成的策略来预测长链非编码RNA的亚细胞位置。随后，Su 等人[2]提出了一个新颖的分类工具，iLoc-lncRNA，该工具通过二项分布的方法来预测长链非编码RNA的亚细胞位置。然而，这两个分类器都仅仅基于长链非编码RNA的核苷酸组分，并没有考虑到长链非编码RNA的结构信息。因此，这两个分类器的预测能力会受到限制。

发明内容

本发明的目的是提供一种基于多特征信息融合的长链非编码RNA的亚细胞定位方法，以解决现有技术中分类器对长链非编码RNA的亚细胞位置预测不准确的问题。

本发明的技术方案为：一种基于多特征信息融合的长链非编码RNA的亚细胞定位方法，该方法包括以下内容：

1.数据集的构建

本发明中使用了Su论文[2]中提到的数据集。这一数据集来源于RANLocate数据库，网址是：http://www.rna-society.org/rnalocate/，筛选过程如下：

首先，只选取标注亚细胞位置的长链非编码RNA序列；其次，为避免过学习，去除在同一个数据子集中序列一致性大于80％的长链非编码RNA序列；最后Su等人[2]获取了655条长链非编码RNA序列。然而，我们发现其中有11条长链非编码RNA序列包含歧义符号。为保证基准数据集的质量，我们也排除了这些序列。由于本发明使用repRNA方法[3]来生成三元组结构-序列特征，该方法对序列的长度做了限制，因此我们排除了1条过长的序列。最终，我们获取了643条分布于4个不同亚细胞位置的长链非编码RNA序列，其中有153条长链非编码RNA位于细胞核，417条长链非编码RNA位于细胞质，43条长链非编码RNA位于核糖体以及30条长链非编码RNA位于外来体。我们也将最终获取的643条长链非编码RNA 的序列号和序列信息进行了共享，网址为：https://github.com/NicoleYXF/dataset643。

2.特征向量的构建