[發明專利]一種全新的分布式和私有化miRNA?疾病聯系預測方法

在審

• 申請號: 201710902242.3
• 申請日: 2017-09-29
• 公開（公告）號: CN107658029A
• 公開（公告）日: 2018-02-02
• 發明（設計）人: 陳立鑫;顏成鋼;劉炳濤;周東
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G16H50/70
• 分類號: G16H50/70;G06F19/22
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙)33240
• 代理人: 朱月芬

技術領域

本發明屬于生命科學領域，尤其涉及分子生物學領域，具體涉及一種全新的分布式和私有化miRNA-疾病聯系預測方法。

背景技術

MicroRNAs(miRNAs)是一類小分子調控非編碼的RNAs(～22nt)，它通過在轉錄或翻譯后與目標mRNA的3'-UTR內發現的靶位點結合而對互補mRNA的表達有影響。此外，miRNA在某些情況下可抑制基因表達也可以作為正向調節因子。

多項研究表明，miRNA在許多生物過程中起著關鍵作用，包括增殖，發育，細胞的分化和凋亡，代謝，衰老，信號轉導，病毒感染等。因此，miRNA的失調與各種人類復雜疾病密切相關，如各種癌癥。例如，miR-22的過度表達和下調ER并增加IL-1表達，能促進男性肝細胞癌(HCC)發展。作為肝特異性miRNA的MiR-122在正常肝細胞系中高度表達，但在HCC衍生的細胞系中下調，這使其有希望成為HCC診斷的生物標志物。MiR-150特異性靶向p53的3'-UTR并調節其表達，促進肺癌細胞的增殖。因此，識別與疾病相關的miRNA可能有益于人類復雜疾病的診斷和預防，這對于生物醫學研究至關重要。然而，用生物實驗探索和驗證miRNA與疾病潛在的聯系是昂貴且耗時的。因此，通過不同的計算模型揭示miRNA與疾病的潛在聯系是有必要和高效的。在過去幾年中，隨著通過生物實驗對數據集的更新，以及基于功能相似的miRNA，傾向于與表型相似的疾病相關的假設的各種計算模型的開發，預測精度提高。Jiang等人開發了基于超幾何分布的miRNA評分系統。可以根據其分數等級確定miRNA的優先級后，鑒定潛在的miRNA-疾病關聯。這個計算模型很大程度上依賴于miRNA與疾病之間預測的相互作用，這些不夠可靠，因為現有的假陽性和假陰性結果有很高的高比率。Shi等人專注于蛋白質-蛋白質相互作用(PPI)網絡中疾病基因和miRNA靶點之間的功能聯系，并提出了一種基于隨機游走算法的計算模型。構建了二分子miRNA疾病網絡后，系統地分析了MiRNA與病變的關聯。Mork等人在其miPRD計算模型中分析了miRNA與蛋白與疾病相關性。通過預測和結合已知miRNA-蛋白質關聯和蛋白質-疾病關聯來改善miRNA-疾病聯系預測準確性。Xu等人提出了基于miRNA靶點失調網絡(MTDN)的計算模型來優化與特定疾病相關的新型miRNA。通過結合miRNA-靶標關聯和miRNA表達譜構建MTDN。通常，以上計算模型嚴重依賴于miRNA-靶標相互作用。然而，只有少于40％的人類疾病分子基因是部分已知的，這使得miRNA-靶相互作用不準確并限制了這些方法的表現。

Xuan等人提出了可靠的HDMP計算模型，通過結合與k個鄰居中的疾病相關的miRNA的分布和miRNA功能相似性來預測潛在的與疾病相關的miRNA。Chen等人提出了第一個基于全球網絡相似性的計算模型RWRMDA，通過考慮人類miRNA-miRNA功能相似性和已知的人類miRNA疾病關聯的信息來預測新的人類miRNA疾病關聯。通過采用隨機游走法在miRNA功能相似性網絡上預測新的關系。RWRMDA基于重要的幾種人類癌癥的交叉驗證和病例研究，獲得了出色的預測性能。然而，它也具有重要的局限性，它對于沒有任何已知相關miRNA的新疾病是無法工作的。Chen等人在半監督學習框架下提出了一種新型的RLSMDA計算模型來預測潛在的疾病相關miRNA。RLSMDA可以應用于沒有任何已知相關miRNA的疾病。此外，RLSMDA不需要消極的miRNA疾病關聯的信息。RLSMDA的局限在于在不同空間中選擇參數值和兩個分類器的組合。Chen等提出了一種新型的WBSMDA方法，通過整合miRNA-疾病關聯和高斯相互作用分布核相似性。RLSMDA和WBSMDA都可以應用于沒有任何已知相關miRNA的疾病，但預測準確度仍然不太令人滿意。

發明內容

本發明主要考慮對于以前miRNA與疾病潛在關系的預測方法，需要驗證的負樣本，而且一些方法不能預測沒有任何已知miRNA-疾病關系的潛在miRNA與疾病的聯系，此外，不完整的數據集使一些方法不太準確；并且，大多數計算模型與特定類型的數據緊密耦合，當數據集被擴展或更新時性能會受損。為了解決上述的問題，提出了一種全新的分布式和私有化miRNA-疾病聯系預測方法。

考慮到生物醫學數據的快速增長，開發可擴展和有效的框架以提高預測潛在的miRNA-疾病關聯的準確性至關重要。首先，DPFMDA從分布式數據集中獨立提取miRNA和疾病特征矩陣因子。其次，對矩陣因子群進行協同分析，以生成參考因子。最后，使用參考因子作為更準確的特征矩陣估計的正則化項。