基于異質(zhì)網(wǎng)絡(luò)的長非編碼RNA和蛋白質(zhì)相互作用的預(yù)測算法研究

鄭肖雄 朱文琰

(復(fù)旦大學(xué)計(jì)算機(jī)科學(xué)技術(shù)學(xué)院智能信息處理重點(diǎn)實(shí)驗(yàn)室 上海 200433)

基于異質(zhì)網(wǎng)絡(luò)的長非編碼RNA和蛋白質(zhì)相互作用的預(yù)測算法研究

鄭肖雄 朱文琰

(復(fù)旦大學(xué)計(jì)算機(jī)科學(xué)技術(shù)學(xué)院智能信息處理重點(diǎn)實(shí)驗(yàn)室 上海 200433)

長非編碼RNA在生物過程中扮演著非常重要的角色，長非編碼RNA可以與多種蛋白質(zhì)結(jié)合發(fā)揮其生物功能，預(yù)測長非編碼RNA和蛋白質(zhì)的相互作用也成為了研究長非編碼RNA功能的途徑之一。由于長非編碼RNA的低保守性，通過提取特征和用機(jī)器學(xué)習(xí)算法預(yù)測它和蛋白質(zhì)之間的相互作用將會不太合適。LPHeteSim算法是一種基于對稱路徑隨機(jī)游走的方法，它可以衡量異質(zhì)長非編碼RNA和蛋白質(zhì)相互作用網(wǎng)絡(luò)中兩者的相關(guān)性。在導(dǎo)質(zhì)網(wǎng)絡(luò)中，LPHeteSim算法可以有效地預(yù)測兩者的相互作用，實(shí)驗(yàn)結(jié)果驗(yàn)證了算法的有效性。

長非編碼RNA和蛋白質(zhì)相互作用 隨機(jī)游走 異質(zhì)網(wǎng)絡(luò)

0 引 言

長非編碼RNA(Long Noncoding RNA) 是指一類長度大于200個核苷酸、不編碼蛋白質(zhì)的非編碼RNA[1]。在人類轉(zhuǎn)錄物組中，只有小部分(約1%)的RNA編碼蛋白質(zhì)，其他的RNA都是不編碼蛋白質(zhì)的非編碼RNA，其中的大多數(shù)屬于長非編碼RNA[2]。越來越多的證據(jù)表明長非編碼RNA在多種層面上(表觀遺傳調(diào)控、轉(zhuǎn)錄調(diào)控以及轉(zhuǎn)錄后調(diào)控等)調(diào)控基因的表達(dá)水平[3]。例如，長非編碼RNA參與了X染色體沉默[4]，基因組印記以及染色質(zhì)修飾、轉(zhuǎn)錄激活、轉(zhuǎn)錄干擾和核內(nèi)運(yùn)輸?shù)榷喾N重要的生物過程。此外，長非編碼RNA還參與了很多疾病的形成，Yang等人[13]從網(wǎng)絡(luò)的角度系統(tǒng)的研究了長非編碼RNA和疾病的關(guān)系，發(fā)現(xiàn)很多長非編碼RNA都和疾病都有聯(lián)系。長非編碼RNA功能的多樣性和復(fù)雜性是由于和多個蛋白質(zhì)相互作用[5]，它會通過與蛋白質(zhì)結(jié)合實(shí)現(xiàn)自己的功能，從而對多個細(xì)胞過程進(jìn)行調(diào)控。雖然近年來關(guān)于長非編碼RNA的研究進(jìn)展迅猛，但是絕大部分的長非編碼RNA的功能仍然是不清楚的。

近年來，由于交聯(lián)免疫共沉淀生物技術(shù)和高通量測序技術(shù)的發(fā)展，越來越多關(guān)于長非編碼RNA和蛋白質(zhì)的相互作用被發(fā)現(xiàn)。然而，通過實(shí)驗(yàn)發(fā)現(xiàn)兩者相互作用仍然占很小比例。越來越多研究者通過計(jì)算的方法預(yù)測長非編碼RNA和蛋白質(zhì)相互作用。2011年，Bellucci等人[6]提出了CatRAPID方法，他們在Xist網(wǎng)絡(luò)中預(yù)測RNA和蛋白質(zhì)交互。同年，Pancaldi等人[7]用隨機(jī)森林和支持向量機(jī)的機(jī)器學(xué)習(xí)算法，從RNA和蛋白質(zhì)的物理特性，二級結(jié)構(gòu)等抽取特征，預(yù)測RNA和蛋白質(zhì)的交互。Muppirala等人[8]從蛋白質(zhì)和RNA序列中抽取特征，使用同樣的算法預(yù)測長非編碼RNA和蛋白質(zhì)的相互作用。2013年，Wang等人[9]用樸素貝葉斯和擴(kuò)展的樸素貝葉斯分類器進(jìn)行預(yù)測。同年，Lu等人[10]提出了lncPro算法，他們將RNA和蛋白質(zhì)編碼成數(shù)字向量，再用矩陣乘法對RNA-蛋白質(zhì)對打分的方式進(jìn)行預(yù)測。

以上算法都是基于RNA和蛋白質(zhì)自身的特性預(yù)測兩者的相互作用，然而，由于長非編碼RNA的低保守性[11]，基于長非編碼RNA本身的特性預(yù)測長非編碼RNA和蛋白質(zhì)的相互作用可能會遇到很多困難。一些研究者采用了通過相互作用網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)預(yù)測兩者的相互作用，他們通過構(gòu)建長非編碼RNA和蛋白質(zhì)的相互作用網(wǎng)絡(luò)，用網(wǎng)絡(luò)中的隱含信息預(yù)測新的交互。2015年Li等人[12]用異種網(wǎng)絡(luò)隨機(jī)游走方法預(yù)測長非編碼RNA和蛋白質(zhì)交互。他們用長非編碼RNA的表達(dá)特征相似性構(gòu)建長非編碼RNA相似度網(wǎng)絡(luò)、STRING數(shù)據(jù)庫構(gòu)建蛋白質(zhì)相互作用網(wǎng)路和NPInter數(shù)據(jù)庫構(gòu)建蛋白質(zhì)相互作用網(wǎng)絡(luò)，并提出了LPIHN方法，一種在異質(zhì)網(wǎng)絡(luò)進(jìn)行重啟型隨機(jī)游走的策略，取得了很好的效果。同年，Yang等人[13]采取了基于路徑的雙向隨機(jī)游走的算法(HeteSim)，預(yù)測長非編碼RNA和蛋白質(zhì)相互作用。然而他們在計(jì)算蛋白質(zhì)之間的相似度時，并沒有考慮到蛋白質(zhì)之間相似度的強(qiáng)弱關(guān)系，本文將在此基礎(chǔ)上采用基于HeteSim的方法，并通過融合不同的蛋白質(zhì)相似度網(wǎng)絡(luò)，構(gòu)造出更加可靠的蛋白質(zhì)相似度網(wǎng)絡(luò)，預(yù)測長非編碼RNA和蛋白質(zhì)的相互作用。

1 基于LPHeteSim算法預(yù)測

1.1 HeteSim 算法

異質(zhì)網(wǎng)絡(luò)中不同的結(jié)點(diǎn)之間的邊都包含著不同的信息，通過不同的相關(guān)路徑得到的相似度，其背后隱含的意義是各不相同的。例如，在異質(zhì)長非編碼RNA和蛋白質(zhì)相互作用網(wǎng)絡(luò)中，長非編碼RNA可以通過“長非編碼RNA-蛋白質(zhì)-蛋白質(zhì)”(LPP)和“長非編碼RNA-長非編碼RNA-蛋白質(zhì)”(LLP)兩種路徑連接蛋白質(zhì)。然而，這兩種路徑背后表達(dá)的意義是不一樣的，前者聯(lián)合了長非編碼RNA-蛋白質(zhì)相互作用網(wǎng)絡(luò)和蛋白質(zhì)-蛋白質(zhì)相似度網(wǎng)絡(luò)，后者聯(lián)合了長非編碼RNA-長非編碼RNA相似度網(wǎng)絡(luò)和長非編碼RNA-蛋白質(zhì)相互作用網(wǎng)絡(luò)。LPP是通過利用蛋白質(zhì)相似度網(wǎng)絡(luò)得到新的長非編碼RNA和蛋白質(zhì)相互作用，LLP則是利用了長非編碼RNA相似度網(wǎng)絡(luò)得到新的長非編碼RNA和蛋白質(zhì)相互作用。

由于異質(zhì)網(wǎng)絡(luò)中的路徑含有隱藏語義的，這使得對象之間的關(guān)系依賴于給定的相關(guān)路徑，HeteSim就是在此思想下提出來的。

HeteSim(o1,ol|R1°R2°…°Rl-1°Rt)=

HeteSim(Oi(o1|R1),Ij(ol|Rl)|R2°…°Rl-1)

(1)

其中，O(o1|R1)是對象o1基于關(guān)系R1的出度鄰居集合，O(ol|Rl)對象ol基于關(guān)系Rl的入度鄰居集合。Oi(o1|R1)/Ij(ol|Rl)是O(o1|R1)/O(ol|Rl)中的i/j個對象。

在HeteSim中，如果對象o1和ol在關(guān)系I中相同，稱之為自我相關(guān)的，本文將定義這種關(guān)系為自相關(guān)關(guān)系(I關(guān)系)。

定義2(自相關(guān)HeteSim)s與t是相同類型時，基于自相關(guān)關(guān)系下做相似性度量時，其相似度分?jǐn)?shù)定義如下：

HeteSim(s,t|I)=δ(s,t)

(2)

如果s和t相同時，δ(s,ol)=1，否則δ(s,t)=0。

1.2LPHeteSim算法

原始的自相關(guān)HeteSim分?jǐn)?shù)定義s與t相同時δ(s,t)=1，顯然，此種定義不適合長非編碼RNA-蛋白質(zhì)異質(zhì)網(wǎng)絡(luò)，在Yang等人的論文中對其進(jìn)行了如下改進(jìn)：

定義3 如果源對象o1和目標(biāo)對象ol有相互作用時，在其自相關(guān)關(guān)系I下做相似性度量時，自相關(guān)關(guān)系分?jǐn)?shù)定義如下：

HeteSim(o1,ol|I)=δ(o1,ol)

(3)

如果x和y有相互作用，δ(o1,ol)=1，否則δ(o1,ol)=0。

然而，在衡量蛋白質(zhì)之間的相似性時，直接將其相似度歸為1或者0將影響預(yù)測結(jié)果的準(zhǔn)確性。實(shí)際上，現(xiàn)在有很多生物數(shù)據(jù)庫都提供蛋白質(zhì)與蛋白質(zhì)之間的相似度，他們通過生物實(shí)驗(yàn)、計(jì)算方法對其相似度進(jìn)行打分，例如STRING數(shù)據(jù)庫等，本文將直接采用這些數(shù)據(jù)庫的打分。所以，本文對HeteSim進(jìn)行了改進(jìn)，提出了LPHeteSim算法，該算法的自相關(guān)性定義如下：

定義4 源對象是長非編碼RNA(l)，目標(biāo)對象時蛋白質(zhì)(p)，其自相關(guān)關(guān)系分?jǐn)?shù)定義如下：

LPHeteSim(l,p|I)=δ(l,p)

(4)

如果l和p有相互作用時，δ(l,p)=1，否則δ(l,p)=0。

源對象是蛋白質(zhì)(p1)，目標(biāo)對象是蛋白質(zhì)(p2)，其自相關(guān)關(guān)系分?jǐn)?shù)定義如下：

LPHeteSim(p1,p2|I)=δ(p1,p2)

(5)

δ(p1,p2)=p(p1,p2)

(6)

其中，p(p1,p2)是蛋白質(zhì)p1和蛋白質(zhì)p2的相似度。

對于基于路徑的雙向隨機(jī)游走方法，計(jì)算兩個結(jié)點(diǎn)的相似度，最重要的是路徑選擇，在Yang的論文中采用的“長非編碼RNA-蛋白質(zhì)-蛋白質(zhì)”(LPP)路徑要明顯好于其他路徑，在此，本文也將會采用LPP路徑驗(yàn)證LPHeteSim算法的有效性。

2 基于LPHeteSim-SNF算法的預(yù)測

2.1 相似度網(wǎng)絡(luò)融合算法

在計(jì)算蛋白質(zhì)之間的相似度時，有多種計(jì)算方式，例如計(jì)算蛋白質(zhì)之間的基因本體(GeneOntology)相似度、域相似度和序列相似度等等，由此，構(gòu)成不同的蛋白質(zhì)相似度矩陣。然而，不同的計(jì)算方式得到的相似度都有可能含有噪音，最好的方式是通過融合多個相似度矩陣，取每個相似度網(wǎng)絡(luò)中的可靠的相似度，去除相似度網(wǎng)絡(luò)中不可靠的相似度，即噪音。在此本文整合四種計(jì)算蛋白質(zhì)相似度的方法，對不同度量方式的蛋白質(zhì)矩陣進(jìn)行融合，得到一個更加穩(wěn)健的相似度矩陣。本文采用了由Wang等人[15]在2014年提出的相似網(wǎng)絡(luò)融合算法。

假設(shè)有n種蛋白質(zhì)和m種度量蛋白質(zhì)相似度的方式。蛋白質(zhì)相似網(wǎng)絡(luò)記作圖G=(V,E)，V代表蛋白質(zhì)集合{x1,x2,…,xn}，即頂點(diǎn)，E代表蛋白質(zhì)之間的權(quán)重，即邊，相似度矩陣記為W，W(xi,xj)代表蛋白質(zhì)xi和蛋白質(zhì)xj之間的相似度。

為了計(jì)算多個度量下的蛋白質(zhì)相似度融合矩陣在頂點(diǎn)集V上定義一個全稀疏核P=D-1W，D是一個對角矩陣，由蛋白質(zhì)相似度矩陣W得到，并對其進(jìn)行正則化，D(i,i)=∑jW(i,j)，所以∑jP(i,j)=1。然而，正則化之后可能會引入數(shù)值不穩(wěn)定性，因?yàn)樗婕暗絎的對角項(xiàng)上的自我相似性，更好的一種正則化形式如下所示：

(7)

用Ni表示xi在圖G中的鄰居結(jié)點(diǎn)，在圖G中，用KNN計(jì)算其局部相關(guān)性，設(shè)置非鄰居結(jié)點(diǎn)值為0。假設(shè)鄰居結(jié)點(diǎn)的相似性比非鄰居結(jié)點(diǎn)的相似性可靠，之后再通過網(wǎng)絡(luò)將相似性傳播給其他結(jié)點(diǎn)：

(8)

在矩陣P中包含著相似性網(wǎng)絡(luò)的全部信息，矩陣S中攜帶著相對重要的信息。這里將把矩陣P作為初始狀態(tài)，然后對其進(jìn)行迭代，矩陣S將作為融合過程中的核矩陣，用來獲得矩陣的局部結(jié)構(gòu)性和增強(qiáng)計(jì)算效率。

(9)

(10)

(11)

因?yàn)榫仃嘢是P的KNN圖，所以此迭代的過程中將慢慢降低矩陣中噪音的影響。從迭代步驟中看出，相似度僅會通過結(jié)點(diǎn)之間共同的鄰居傳播，這會讓相似度矩陣更加穩(wěn)固。而且不同度量下的相似度矩陣都會從其他度量下的相似度矩陣得到信息補(bǔ)充，這樣就達(dá)到了相互融合的目的。對于m>2時，上述的迭代步驟將演變成：

(12)

2.2LPHeteSim-SNF算法

本文采用了四種度量蛋白質(zhì)之間相似度的數(shù)據(jù)集，其中三種是通過蛋白質(zhì)本身的特性對其相似度打分(基因本體相似性、域相似性、序列相似性)，第四種是采用公共數(shù)據(jù)庫，即String數(shù)據(jù)庫中的蛋白質(zhì)相似度分?jǐn)?shù)。

1) 基于基因本體的蛋白質(zhì)相似度計(jì)算

基因本體[16]是一個用規(guī)范化的基因和基因產(chǎn)物特性的術(shù)語描繪或詞義解釋的數(shù)據(jù)庫，其中的術(shù)語主要涉及到生物學(xué)的三個方面：細(xì)胞組件、分子功能和生物過程。基因本體是一個有向無環(huán)圖，它包含三種關(guān)系：分別是is_a、part_of和regulates。為了衡量蛋白質(zhì)pi和蛋白質(zhì)pj的基因本體相似度，這里采用Jaccard值[17]計(jì)算它們之間的相似度。蛋白質(zhì)pi對應(yīng)的基因本體術(shù)語集合為ti，蛋白質(zhì)pj對應(yīng)的基因本體術(shù)語集合為tj。則兩者的相似度如下所示：

(13)

其中，分子是兩個蛋白質(zhì)對應(yīng)的基因本體集合的交集，分母是兩者的并集。

2) 基于蛋白質(zhì)域的相似度計(jì)算

蛋白質(zhì)通常由一個或多個功能區(qū)域組成，被稱為蛋白質(zhì)域。結(jié)構(gòu)域的不同組合方式嘗試的蛋白質(zhì)也不盡相同。Pfam數(shù)據(jù)庫[18]中搜集了大量的蛋白質(zhì)家族，它依賴于由多序列比對和隱馬爾科夫模型產(chǎn)生的結(jié)果。

具有相同域的蛋白質(zhì)之間的相似度會很大，可以將每個蛋白質(zhì)表示為一個二值向量，如果蛋白質(zhì)中存在這個域，則向量中對應(yīng)該域的值為1，否則為0。最后，用廣義的Jaccard值計(jì)算它們之間的相似度。

(14)

其中，‖·‖是向量的模，xi和xj分別對應(yīng)蛋白質(zhì)pi和蛋白質(zhì)pj的域向量，SomainSim(pi,pj)為二者的蛋白質(zhì)域相似度。

3) 基于蛋白質(zhì)序列的相似度計(jì)算

同樣通過序列的方式計(jì)算蛋白質(zhì)之間的相似度，蛋白質(zhì)序列數(shù)據(jù)可以從UniProt數(shù)據(jù)庫[19]中獲得。Uniprot數(shù)據(jù)庫是一個可供免費(fèi)使用的蛋白質(zhì)序列與功能信息數(shù)據(jù)庫，它包含了大量蛋白質(zhì)的詳細(xì)信息。

本文采用規(guī)范化過的Smith-Waterman方法[20]計(jì)算蛋白質(zhì)之間的序列相似度。

(15)

其中sw(pi,pj)是蛋白質(zhì)pi和蛋白質(zhì)pj的Smith-Waterman得分。為了將規(guī)范化之后的蛋白質(zhì)相似度得分應(yīng)用于所有的蛋白質(zhì)對中，將計(jì)算之后的得分平均化：

(16)

為此，由上式可以得到蛋白質(zhì)pi和蛋白質(zhì)pj之間的序列相似度。

4) 基于STRING的蛋白質(zhì)相似度計(jì)算

STRING數(shù)據(jù)庫[21]是一個包含大量蛋白質(zhì)相互作用的數(shù)據(jù)庫，它覆蓋了超過2 000多種生物，不僅整合了已被實(shí)驗(yàn)驗(yàn)證的蛋白質(zhì)相互作用，還包括通過計(jì)算方法得到的蛋白質(zhì)相互作用。

在由STRING數(shù)據(jù)庫中得到的得分中，最高分?jǐn)?shù)為999，為了將得分控制在[0,1]內(nèi)，對其進(jìn)行如下操作：

(17)

因此，可以得到蛋白質(zhì)pi和蛋白質(zhì)pj之間的STRING相似度。

在得到四種蛋白質(zhì)相似度網(wǎng)絡(luò)，用相似度網(wǎng)絡(luò)融合算法(SNF)進(jìn)行融合。在聯(lián)合長非編碼RNA和蛋白質(zhì)相互作用網(wǎng)絡(luò)，構(gòu)建異質(zhì)長非編碼RNA和蛋白質(zhì)相互作用網(wǎng)絡(luò)。在此異質(zhì)網(wǎng)絡(luò)中，執(zhí)行LPHeteSim算法，預(yù)測新的長非編碼RNA和蛋白質(zhì)相互作用。

3 實(shí)驗(yàn)分析

本文實(shí)驗(yàn)從NPInter(V2.0)數(shù)據(jù)庫[22]中抽取所有非編碼RNA和蛋白質(zhì)相互作用的數(shù)據(jù)，再從NONCODE(V4.0)數(shù)據(jù)庫[23]中抽取人類的長非編碼RNA數(shù)據(jù)，如果交互數(shù)據(jù)中的非編碼RNA是長非編碼RNA，抽取它與蛋白質(zhì)的交互數(shù)據(jù)。因此，可以構(gòu)建出長非編碼RNA和蛋白質(zhì)相互作用網(wǎng)絡(luò)。對于在長非編碼RNA和蛋白質(zhì)相互作用網(wǎng)絡(luò)中的蛋白質(zhì)，分別從GO數(shù)據(jù)庫、Uniprot數(shù)據(jù)庫、Pfam數(shù)據(jù)庫中獲得它們的GO信息、序列信息和域信息，再分別計(jì)算出蛋白質(zhì)之間的GO相似度、序列相似度以及域相似度。本文同樣從STRING(v10.0)數(shù)據(jù)庫中獲取由STRING數(shù)據(jù)庫計(jì)算的蛋白質(zhì)之間相互作用的得分，并計(jì)算出蛋白質(zhì)之間的STRING相似度得分。為此，經(jīng)過上述操作，可以獲得四種蛋白質(zhì)相似度網(wǎng)絡(luò)。同樣對數(shù)據(jù)集進(jìn)行了預(yù)處理，去除只和一個蛋白質(zhì)相互作用的長非編碼RNA，因?yàn)闊o法采用留一交叉驗(yàn)證進(jìn)行驗(yàn)證。同樣丟棄和其他所有蛋白質(zhì)的相似度都為0的蛋白質(zhì)，因?yàn)?，它們只會給實(shí)驗(yàn)帶來噪音。最后，將得到的長非編碼RNA的數(shù)量、蛋白質(zhì)的數(shù)量以及兩者的相互作用數(shù)量統(tǒng)計(jì)如表1所示。

表1 長非編碼RNA和蛋白質(zhì)以及它們相互作用的數(shù)量

本文采用留一交叉驗(yàn)證驗(yàn)證我們的算法有效性。對于每種實(shí)驗(yàn)結(jié)果，分別得到它們的ROC曲線以及ROC曲線下的面積(AUC)值衡量算法的有效性。實(shí)驗(yàn)中所采用的正樣本即是已知的長非編碼RNA和蛋白質(zhì)相互作用，負(fù)樣本即是未被報(bào)道的長非編碼RNA和蛋白質(zhì)相互作用。

先基于四個蛋白質(zhì)相似度網(wǎng)絡(luò)測試LPHeteSim算法，對比算法為Yang等人所采用的HeteSim算法。

LPHeteSim和HeteSim算法在基因本體(Go)、蛋白質(zhì)域、蛋白質(zhì)序列、STRING數(shù)據(jù)庫四個數(shù)據(jù)集上ROC曲線如圖1、圖2、圖3和圖4所示。實(shí)線代表LPHeteSim算法在基于此蛋白質(zhì)相似度網(wǎng)絡(luò)的ROC曲線，虛線代表HeteSim算法的ROC曲線。LPHeteSim的ROC曲線顯然比HeteSim的高，為此可以說明算法改進(jìn)的有效性。然而，兩者都會在其中一點(diǎn)匯聚，因?yàn)長PHeteSim可以提高預(yù)測的精確度，并不會增多預(yù)測數(shù)量。

圖1 基于蛋白質(zhì)基因本體相似度的LPHeteSim和HeteSim的ROC曲線

圖2 基于蛋白質(zhì)域的LPHeteSim和HeteSim的ROC曲線

圖3 基于蛋白質(zhì)序列相似度的LPHeteSim和HeteSim的ROC曲線

圖4 基于STRING數(shù)據(jù)庫的LPHeteSim和HeteSim的ROC曲線

LPHeteSim和HeteSim算法的AUC值如表2所示， LPHeteSim算法在各個蛋白質(zhì)相似度網(wǎng)絡(luò)上的表現(xiàn)均要比HeteSim算法好很多，它們的AUC值分別為0.858 4、0.848 9、0.856 5和0.797 2。均要比HeteSim算法的預(yù)測效果好，為此，驗(yàn)證了本文的算法有效性。

表2 LPHeteSim和HeteSim在各個數(shù)據(jù)集上的AUC值

然后用SNF算法融合四個蛋白質(zhì)相似度網(wǎng)絡(luò)，并在基于融合之后的相似度網(wǎng)絡(luò)上執(zhí)行LPHeteSim算法，預(yù)測新的長非編碼RNA和蛋白質(zhì)相互作用。預(yù)測結(jié)果的ROC曲線如圖5所示。

圖5 基于融合蛋白質(zhì)相似度網(wǎng)絡(luò)的LPHeteSim的ROC曲線

可以從ROC曲線和AUC值看出，融合之后的AUC值為0.906 8，明顯比在每個蛋白質(zhì)相似度網(wǎng)絡(luò)的預(yù)測效果高。因此，相似度網(wǎng)絡(luò)融合算法可以減少每個矩陣中的噪音，可以有效地提高預(yù)測算法的準(zhǔn)確性。

4 結(jié) 語

本文在HeteSim算法的基礎(chǔ)上，通過改進(jìn)自相關(guān)關(guān)系相似度的計(jì)算方式，提出了LPHeteSim算法。在單個蛋白質(zhì)相似度網(wǎng)絡(luò)上的實(shí)驗(yàn)表明，改進(jìn)之后的算法的有效性要好于未改進(jìn)的HeteSim算法。

為了進(jìn)一步提高預(yù)測準(zhǔn)確性，本文采用融合蛋白質(zhì)相似度網(wǎng)絡(luò)的方法，構(gòu)造出置信度更高的蛋白質(zhì)相似度矩陣。實(shí)驗(yàn)結(jié)果表明，在融合之后的蛋白質(zhì)相似度網(wǎng)絡(luò)執(zhí)行預(yù)測算法，要好于在單個蛋白質(zhì)相似度網(wǎng)絡(luò)上的預(yù)測結(jié)果。因此，結(jié)合相似度融合算法和LPHeteSim算法，可以有效地提高預(yù)測新的長非編碼RNA和蛋白質(zhì)相互作用的有效性。

[1] Bonasio R,Shiekhattar R.Regulation of transcription by long noncoding RNAs[J].Annual Review of Genetics,2014,48:433.

[2] International Human Genome Sequencing Consortium.Finishing the euchromatic sequence of the human genome[J].Nature,2004,431(7011):931-945.

[3] Geisler S,Coller J.RNA in unexpected places:long non-coding RNA functions in diverse cellular contexts[J].Nature reviews Molecular cell biology,2013,14(11):699-712.

[4] Engreitz J M,Pandya-Jones A,McDonel P,et al.The Xist lncRNA exploits three-dimensional genome architecture to spread across the X chromosome[J].Science,2013,341(6147):1237973.

[5] Zhu J J,Fu H J,Wu Y G,et al.Function of lncRNAs and approaches to lncRNA-protein interactions[J].Science China Life Sciences,2013,56(10):876-885.

[6] Bellucci M,Agostini F,Masin M,et al.Predicting protein associations with long noncoding RNAs[J].Nature Methods,2011,8(6):444-445.

[7] Pancaldi V,B?hler J.In silico characterization and prediction of global protein-mRNA interactions in yeast[J].Nucleic Acids Research,2011:gkr160.

[8] Muppirala U K,Honavar V G,Dobbs D.Predicting RNA-protein interactions using only sequence information[J].BMC Bioinformatics,2011,12(1):1.

[9] Wang Y,Chen X,Liu Z P,et al.De novo prediction of RNA-protein interactions from sequence information[J].Molecular BioSystems,2013,9(1):133-142.

[10] Lu Q,Ren S,Lu M,et al.Computational prediction of associations between long non-coding RNAs and proteins[J].BMC Genomics,2013,14(1):1.

[11] Pang K C,Frith M C,Mattick J S.Rapid evolution of noncoding RNAs:lack of conservation does not mean lack of function[J].Trends in Genetics,2006,22(1):1-5.

[12] Li A,Ge M,Zhang Y,et al.Predicting Long Noncoding RNA and Protein Interactions Using Heterogeneous Network Model[J].BioMed Research International,2015,2015.

[13] Yang J,Li A,Ge M,et al.Prediction of interactions between lncRNA and protein by using relevance search in a heterogeneous lncRNA-protein network[C]//Control Conference (CCC),2015 34th Chinese.IEEE,2015:8540-8544.

[14] Shi C,Kong X,Huang Y,et al.Hetesim:A general framework for relevance measure in heterogeneous networks[J].Knowledge and Data Engineering,IEEE Transactions on,2014,26(10):2479-2492.

[15] Wang B,Mezlini A M,Demir F,et al.Similarity network fusion for aggregating data types on a genomic scale[J].Nature Methods,2014,11(3):333-337.

[16] Ashburner M,Ball C A,Blake J A,et al.Gene Ontology:tool for the unification of biology[J].Nature Genetics,2000,25(1):25-29.

[17] Jcquart P.Nouvelles recherches sur la distribution florale[J].Bull.Soc.Vand.Sci.Nat,1908(0):44.

[18] Finn R D.Pfam:the protein families database[J].Encyclopedia of Genetics, Genomics, Proteomics and Bioinformatics,2012.

[19] Apweiler R,Martin M J,O’Donovan C,et al.Update on activities at the Universal Protein Resource (UniProt) in 2013[J].Nucleic acids research,2013,41(D1):D43-D47.

[20] Smith T F,Waterman M S.Identification of common molecular subsequences[J].Journal of Molecular Biology,1981,147(1):195-197.

[21] Szklarczyk D,Franceschini A,Wyder S,et al.STRING v10:protein-protein interaction networks,integrated over the tree of life[J].Nucleic Acids Research,2014:gku1003.

[22] Yuan J,Wu W,Xie C,et al.NPInter v2. 0:an updated database of ncRNA interactions[J].Nucleic Acids Research,2014,42(D1):D104-D108.

[23] Xie C,Yuan J,Li H,et al.NONCODEv4:exploring the world of long non-coding RNA genes[J].Nucleic Acids Research,2014,42(D1):D98-D103.

RESEARCH ON PREDICTION ALGORITHM FOR LNCRNA-PROTEIN INTERACTIONSBASED ON HETEROGENEOUS NETWORK

Zheng Xiaoxiong Zhu Wenyan

(ShanghaiKeyLabofIntelligentInformationProcessing,SchoolofComputerScience,FudanUniversity,Shanghai200433,China)

Long noncoding RNA (lncRNA) plays a key role in biological and pathological processes. LncRNA can have interaction with multiple proteins, therefore predicting lncRNA-protein interaction comes to be one of the ways to study the functions of lncRNA. Because of the low conservation of lncRNA, the methods of predicting lncRNA-protein interaction by using machine learning algorithms with extracting the features of lncRNA and protein may be not fit enough. LPHeteSim algorithm is a method based on pair-wise random walk which can measure the relevance between lncRNA and protein in the lncRNA-protein heterogeneous network. In order to decrease the noise of protein similarity networks, we use similarity network fusion (SNF) algorithm to fuse the protein similarity networks under different metric together, and reach a better result.

LncRNA-protein interaction Randow walk Heterogeneous network

2016-03-14。鄭肖雄，碩士，主研領(lǐng)域：生物信息。朱文琰，碩士。

TP3

A

10.3969/j.issn.1000-386x.2017.03.041