[發明專利]一種基于評分機制與LightGBM的CircRNA功能預測方法

在審

• 申請號: 201910246871.4
• 申請日: 2019-09-17
• 公開（公告）號: CN112530520A
• 公開（公告）日: 2021-03-19
• 發明（設計）人: 鄧怡云;王高平;戴憲華
• 申請（專利權）人: 中山大學
• 主分類號: G16B20/30
• 分類號: G16B20/30;G16B30/00;G16B40/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

為克服現有技術的不足，本發明的目的在于利用評分機制結合LightGBM方法對circRNA的功能進行預測。本發明為解決其問題所采用的技術方案主要步驟是：(1)將大數據樣本的circRNA以(.bed)文件形式輸入。(2)將circRNA(.bed)文件映射到全人類基因組(hg19版本)上，得到circRNA序列信息(.fasta)文件。(3)提出了一種特征融合算法，對CircRNA特征進行融合。(4)將特征輸入至A類判決系統，將編碼蛋白型circRNA區分出來。(5)其它CircRNA分別經過三個模型，依照順序判別CircRNA各項功能，得到預測概率值。(6)根據評分機制，將上述所得到的三個預測概率值，通過B類判決系統，得到最終的circRNA功能分類預測結果。

技術領域

本發明涉及生物信息學技術領域，特別是涉及CircRNA功能預測的領域。

背景技術

CircRNA在生物學中具有多種功能，如富含miRNA結合位點，在細胞中起到了海綿體的作用；通過與蛋白質結合來調控蛋白質的活性；有些CircRNA甚至可以被翻譯成蛋白質。因此它也成為了近年來比較重要的潛在生物標記物，而對于其功能的識別是一件繁瑣的事情，傳統方法常利用實驗法根據CircRNA已存在的多種功能對新CircRNA的功能進行一一檢驗，這種方法費時費力，并且對于大批量的CircRNA功能識別十分困難。目前暫未有任何一種方法來提前預測CircRNA的功能，從而針對性地檢驗其某種功能，進而分析它在臨床醫學中的具體作用。

發明內容

為克服現有技術的不足，本發明的目的在于利用評分機制結合LightGBM方法對CircRNA的功能進行預測。它充分利用已發現的CircRNA各種功能的大數據信息，從機器學習的方法訓練出模型，利用模型，可實現只需要簡便輸入需要進行功能預測的DNA或RNA 相關序列，就可以預測出CircRNA具有哪一種具體的功能，經實驗驗證準確率高達85％以上，極大地省去了對新發現的CircRNA的所有功能—檢驗所浪費的實驗時間和器材損耗的經濟成本，能對實驗項目的進行起到事半功倍的效果。

本發明為解決其問題所采用的技術方案主要步驟是：

S1.將大數據樣本的CircRNA以(.bed)文件形式輸入，其中包含染色體號、序列起始位點、正負鏈標記。

S2.將CircRNA(.bed)文件根據起始位點等相關信息映射到全人類基因組(hg19版本)上。得到具體的CircRNA序列信息(.fasta)文件。

S3.提出了一種特征融合算法，用于根據CircRNA所表達的具體功能作為特征標簽，并且提取相應功能的表達過程中相關的所有特征作為特征向量，進行融合處理。如miRNA結合位點、甲基化、連接數等特征。

S4.將相關的特征輸入至判斷“編碼蛋白型”CircRNA的A類判決系統，并根據A類判決系統的流程將“編碼蛋白型”CircRNA區分出來。

S5.在S4中判定為“非編碼蛋白型”的CircRNA，將繼續進入下一步的判決，分別經過三個由LightGBM二分類算法所構建的模型，依照順序判別CircRNA各項功能。經過三個系統分別得到一個預測概率值。

S6.根據評分機制，將上述所得到的三個預測概率值，通過我們提出的B類判決系統中的“可信值計算”得到相應的分數，再通過評分機制輸出最終的CircRNA功能分類預測結果。

S7.在整個過程中，對于三個LightGBM算法所構建的二分類模型，我們通過調整樹的最大深度max_depth、葉子可能具有的最小記錄數min_data_in_leaf、每次迭代時用的數據比例bagging_fraction等參數，以獲取模型最佳參數。

與現有技術相比，本發明的有益效果是：