[發明專利]一種轉錄本注釋方法以及篩選長非編碼RNA和內源逆轉錄病毒來源長非編碼RNA的方法

在審

• 申請號: 202011007988.6
• 申請日: 2020-09-23
• 公開（公告）號: CN112201307A
• 公開（公告）日: 2021-01-08
• 發明（設計）人: 孔慶然;杜佳偉;侯衛博;丁春明
• 申請（專利權）人: 溫州醫科大學
• 主分類號: G16B25/10
• 分類號: G16B25/10;G16B30/00;G16B35/20;G16B50/10;G16B50/30
• 代理公司: 哈爾濱市陽光惠遠知識產權代理有限公司 23211
• 代理人: 鄧宇

本發明提供了一種轉錄本注釋方法以及篩選長非編碼RNA和內源逆轉錄病毒來源長非編碼RNA的方法，屬于生物信息學領域，為了提供精準和完整的轉錄本，得到表達量較低、重復序列來源的長非編碼RNA，本發明提供了一種轉錄本的注釋方法，RNA測序和小RNA測序數據結合注釋轉錄本，得到完整精準的轉錄本信息，提供更精準的長鏈非編碼RNA注釋，準確獲取長鏈非編碼RNA的表達信息，本發明應用在篩選長非編碼RNA和內源逆轉錄病毒來源長非編碼RNA，篩選得到新預測長非編碼RNA 2,711條，其中內源逆轉錄病毒來源長非編碼RNA占59.3％。

技術領域

本發明屬于生物信息學領域，具體涉及到一種轉錄本注釋方法以及篩選長非編碼RNA和內源逆轉錄病毒來源長非編碼RNA的方法。

背景技術

RNA轉錄本的注釋主要利用高通量RNA-seq(轉錄組測序技術)數據，其面臨的一個普遍問題是轉錄本精確的邊界難以界定。在理想條件下，RNA-seq讀段在所有表達的轉錄本上應該是無偏性的覆蓋模式，但由于讀段長度的限制、樣品的降解、建庫方法和堿基偏好性等問題，RNA-seq讀段的覆蓋存在偏差，尤其在轉錄本末端的缺失，影響轉錄本注釋的完整性，給轉錄本的識別、表達水平的定量以及進一步的功能解析帶來偏差。 5’端的降解和采用oligo(dT)的第一鏈合成方案等會導致轉錄本5’端更嚴重的缺失，通常覆蓋不到啟動子區域和轉錄起始位點(transcription start site,TSS)。例如，Liu等發現 PCAN-R2的轉錄起始位點在其RNA-seq注釋轉錄本上游3kb處。因此，提供精準的RNA 轉錄本的注釋，進而準確的獲取其表達信息顯得尤為重要。傳統的5’和3’RACE(Rapid Amplification of cDNAEnds)是獲得完整轉錄本的最佳方法，但這種實驗方法是低通量的。

長鏈非編碼RNA(lncRNA)是一類大于200nt(堿基)不編碼蛋白的轉錄本，目前研究表明，其在多個生物過程中發揮重要作用，引起科學家們的廣泛關注。大多數lncRNA的形成都與內源逆轉錄病毒(ERV)有關。越來越多ERV來源的lncRNA被證明具有重要功能，其在進化、發育和疾病上都具有重要的調控作用。lncRNA的識別主要利用高通量RNA-seq數據，但由于讀段長度的限制、樣品的降解、建庫和堿基偏好性等問題， RNA-seq讀段的覆蓋存在偏差，尤其在轉錄本末端的缺失，影響轉錄本注釋的完整性，給lncRNA的識別、表達水平的定量以及進一步的功能解析帶來偏差。因此，提供精準的lncRNA的注釋，進而準確的獲取lncRNA的表達信息顯得尤為重要。傳統的5’和 3’RACE(RapidAmplification of cDNAEnds)是獲得完整轉錄本的最佳方法，但這種實驗方法是低通量的。

發明內容

本發明為了獲得表達量較低、重復序列來源的長非編碼RNA，本發明提供了一種轉錄本的注釋方法，采用RNA測序和小RNA測序數據(NCBI:GSE102518)結合的策略 (RNA-seqand small RNA-seq combined strategy,RSCS)注釋轉錄本，得到完整精準的轉錄本信息，利用RSCS篩選長鏈非編碼RNA和篩選內源逆轉錄病毒來源長非編碼RNA。

本發明提供了一種轉錄本的注釋方法，所述的注釋方法的具體步驟包括：

(1)對RNA測序和小RNA測序的下機數據(raw data)進行去接頭處理獲得有效數據(clean data)；

(2)對步驟(1)中得到的有效數據按照質控標準進行數據質控，得到符合標準的有效數據；

(3)分別將步驟(2)中得到的符合標準的有效數據與參考基因組進行比對拼接，獲得比對結果(bam)文件；

(4)把步驟(3)中得到的比對結果文件，以比對質量得分(MAPQs)值作為篩選標準篩選轉錄本；