推薦系統(tǒng)算法在生物信息學(xué)中應(yīng)用的研究進展

趙 琪，于海帆，胡 桓，張 力，劉宏生，3*

(1.遼寧大學(xué) 數(shù)學(xué)院，遼寧 沈陽 110036； 2.遼寧大學(xué) 生命科學(xué)院，遼寧 沈陽 110036；3.遼寧省生物大分子計算模擬與信息處理工程技術(shù)研究中心，遼寧 沈陽 110036)

推薦系統(tǒng)算法在生物信息學(xué)中應(yīng)用的研究進展

趙 琪1，于海帆1，胡 桓2，張 力2，劉宏生2，3*

(1.遼寧大學(xué) 數(shù)學(xué)院，遼寧 沈陽 110036； 2.遼寧大學(xué) 生命科學(xué)院，遼寧 沈陽 110036；3.遼寧省生物大分子計算模擬與信息處理工程技術(shù)研究中心，遼寧 沈陽 110036)

推薦系統(tǒng)算法是一種應(yīng)用非常廣泛的智能算法，比如對用戶進行商品推薦.應(yīng)用推薦系統(tǒng)算法，不僅節(jié)約時間，還可以節(jié)約資源.除了應(yīng)用在商品推薦方面，推薦系統(tǒng)算法還可應(yīng)用于生物信息學(xué)研究方面，比如預(yù)測長非編碼RNA與疾病的關(guān)系，長非編碼RNA與蛋白質(zhì)的關(guān)系等.隨著生物技術(shù)和醫(yī)學(xué)研究的發(fā)展，越來越多的實驗結(jié)果表明長非編碼RNA與蛋白質(zhì)的關(guān)系在疾病的發(fā)展過程中愈發(fā)重要.另一方面，生物實驗研究不僅耗費很多資源，花費的時間也很多，而且準(zhǔn)確性不一定高，所以發(fā)展節(jié)約資源且高效的智能算法是必然趨勢.就以智能算法中的推薦系統(tǒng)算法為例，敘述長非編碼RNA的概念以及推薦系統(tǒng)算法的概念，推薦系統(tǒng)算法的應(yīng)用領(lǐng)域，優(yōu)點與局限性；然后討論推薦系統(tǒng)算法在生物信息學(xué)領(lǐng)域中的應(yīng)用；接著詳述如何用改進的二分投影推薦算法預(yù)測長非編碼RNA-蛋白質(zhì)相互作用關(guān)系；最后討論推薦系統(tǒng)算法發(fā)展趨勢.

長非編碼RNA；蛋白質(zhì)；推薦系統(tǒng)算法；智能算法

0 引言

在此之前的很長一段時間里，人們一直認為遺傳信息存儲在基因編碼的蛋白質(zhì)中，而非編碼RNA(ncRNA:non-coding RNA)是RNA轉(zhuǎn)錄過程中產(chǎn)生的垃圾[1].事實上，非編碼RNA是轉(zhuǎn)錄成蛋白質(zhì)的RNA，而根據(jù)核苷酸的數(shù)量，非編碼RNA又可以分為長度不超過200個核苷酸的短非編碼RNA(short non-coding RNA)和長度超過200個核苷酸的長非編碼RNA(long non-coding RNA).近年來，越來越多的證據(jù)表明非編碼RNA在很多重要的基礎(chǔ)生物過程中起著關(guān)鍵作用[2].而在最近新發(fā)現(xiàn)的非編碼RNA中長非編碼RNA所占比重最大.而且隨著實驗技術(shù)與智能計算方法的迅速發(fā)展，越來越多的證據(jù)也表明長非編碼RNA在許多重要的生物過程中有非常關(guān)鍵的作用，比如染色質(zhì)修飾[3]、細胞分化和增殖[4]、RNA進化[5]、細胞凋亡[6]等過程，特別是長非編碼RNA與其結(jié)合蛋白發(fā)揮著重要作用.所以，為了解長非編碼RNA的功能分子機制，研究長非編碼RNA結(jié)合蛋白是非常必要的.因此，研究長非編碼RNA和蛋白質(zhì)相互作用具有非常重要的生物學(xué)和醫(yī)學(xué)意義[7].但是，通過實驗去驗證長非編碼RNA-蛋白質(zhì)的相互作用關(guān)系不僅耗費大量的時間和資金，效率也不是很高[8].所以，開發(fā)高效的智能算法去預(yù)測長非編碼RNA-蛋白質(zhì)的關(guān)系是至關(guān)重要的.

另一方面，生物信息學(xué)的研究者們近年來將智能算法越來越多的應(yīng)用于生物信息學(xué)領(lǐng)域，例如隨機游走算法、旋轉(zhuǎn)森林算法、支持向量機算法以及推薦系統(tǒng)算法.推薦系統(tǒng)算法被提出后，首先被應(yīng)用于商業(yè)，然后慢慢深入各個學(xué)科領(lǐng)域的研究發(fā)展.而該算法在最近幾年才被應(yīng)用于生物信息學(xué)領(lǐng)域，如二分投影推薦算法預(yù)測長非編碼RNA-蛋白質(zhì)的關(guān)系[9]、基于三層異構(gòu)網(wǎng)絡(luò)模型預(yù)測藥物-靶點關(guān)系以及疾病-藥物關(guān)系[10].而相較于基于平分資源的基線二分投影推薦算法，改進后的基于偏好等級的二分投影推薦算法[11]具有更高的準(zhǔn)確性.

1 推薦系統(tǒng)算法簡介

1.1 推薦系統(tǒng)算法的產(chǎn)生和發(fā)展

隨著社會和科技的發(fā)展，人們的生活也越來越信息化，而信息的泛濫也給人們的生活帶來很多困擾，推薦系統(tǒng)算法的產(chǎn)生就是為了幫助用戶過濾信息.推薦系統(tǒng)算法的發(fā)展經(jīng)過了三個階段.首先，1992 年Xerox Palo Alto 研究中心開發(fā)了實驗系統(tǒng)Tapestry[12,13]，這個系統(tǒng)是基于其他用戶顯示反饋的想法提出的，幫助用戶篩選郵件，解決郵件過載問題的.并且在此最早提出“協(xié)同過濾”一詞.其次，1994年出現(xiàn)了第一個能自動推薦的系統(tǒng)GroupLen[14]，該系統(tǒng)的出現(xiàn)幫助用戶過濾新聞消息.相比較而言，Tapestry在一個固定的范圍(某個系統(tǒng)或網(wǎng)站)內(nèi)篩選郵件，而GroupLens則可以跨網(wǎng)過濾消息.最后，1997年REsnick等人首次提出“推薦系統(tǒng)”[15]的概念：“它是利用電子商務(wù)網(wǎng)站向用戶提供商品信息和建議,希助用戶決定應(yīng)該購買什么產(chǎn)品,模擬銷售人員幫助客戶完成購買的過程”.從此以后，該詞被廣泛應(yīng)用，而后作為一種智能算法成為一個重要的研究領(lǐng)域.常用的推薦系統(tǒng)算法模型如圖1所示：

圖1 推薦系統(tǒng)算法模型

如圖1所示，用戶首先提供自己的喜好信息給推薦系統(tǒng)算法的喜好尋求者或者是推薦系統(tǒng)算法的喜好尋求者向用戶尋求喜好信息，并將喜好信息存入喜好數(shù)據(jù)庫；然后，將喜好數(shù)據(jù)庫、商品數(shù)據(jù)庫與推薦系統(tǒng)算法結(jié)合，計算得到相應(yīng)的結(jié)果(建議)；最后，推薦系統(tǒng)的建議者把建議推薦給用戶，或者用戶自己向推薦系統(tǒng)算法尋求建議.或者基于已經(jīng)建模的知識數(shù)據(jù)庫推薦系統(tǒng)算法進行計算，并將計算結(jié)果作為建議推薦給用戶.

1.2 推薦系統(tǒng)算法的研究現(xiàn)狀

現(xiàn)有的推薦系統(tǒng)算法主要有四種[16]：基于內(nèi)容的推薦算法、協(xié)同過濾推薦算法、基于知識的推薦算法和組合推薦算法.基于內(nèi)容的推薦算法產(chǎn)生于信息檢索，只需要驗證用戶和項目的相似程度，不需要考慮用戶對項目的評價，比如我們打開瀏覽器輸入檢索信息時，會相應(yīng)的列出類似的檢索信息.協(xié)同過濾算法包括基于模型的算法和啟發(fā)式算法.基于模型算法是通過建立用戶特征模型(貝葉斯模型、統(tǒng)計模型、線性規(guī)劃模型等)進行推薦.雖然比較穩(wěn)定，但是計算過程比較復(fù)雜，因此耗費的時間比較長.啟發(fā)式算法是基于相似用戶具有相似評價的假設(shè)下，根據(jù)用戶對項目打出的評分進行相應(yīng)的推薦，而且是在評分信息數(shù)據(jù)充足的前提下計算并找到喜好相同的用戶然后進行相應(yīng)推薦.但是很多情況下，評分數(shù)據(jù)并不是很充足(數(shù)據(jù)的冷啟動問題)，該算法就實施不了.而基于知識的推薦算法是一種在某領(lǐng)域或某實例原則的基礎(chǔ)上提出的一種固定推薦算法，雖然不需要用戶對項目的評價信息，但是在建立模型時具有一定的難度.為了克服上述三種算法的缺點，研究者們提出了組合推薦算法，即以上三種方法的組合，比如常用的基于內(nèi)容推薦方法與協(xié)同過濾推薦的組合推薦算法，二分投影推薦算法就是比較具有代表性的組合推薦算法.

由于推薦系統(tǒng)算法具有數(shù)據(jù)稀釋性和冷啟動等問題[16]，加上早期生物數(shù)據(jù)庫的不完善，推薦系統(tǒng)算法主要是近幾年才開始應(yīng)用于生物領(lǐng)域，Wang等人2014年提出基于迭代算法的三層異構(gòu)網(wǎng)絡(luò)模型預(yù)測疾病-藥物關(guān)系和藥物-靶點關(guān)系[10]；Ge 等人2015年提出基于二分投影推薦算法預(yù)測長非編碼RNA-蛋白質(zhì)關(guān)系[17].

2 推薦系統(tǒng)算法應(yīng)用分析

二分投影推薦算法是推薦系統(tǒng)算法(組合推薦算法)個性化推薦中應(yīng)用比較廣泛的算法，它把初始資源進行兩次資源分配，經(jīng)過兩輪資源分配后將最后得到的分配資源按照遞減順序排列進行相應(yīng)推薦.在基于平分資源的二分投影推薦基礎(chǔ)算法[17]的基礎(chǔ)上，Yin等人2014年提出一種基于評價喜好不同的改進二分投影推薦算法[18].基于評價習(xí)慣(評價范圍)不同的改進二分投影推薦算法在兩次資源分配的時候分別進加權(quán)，比基于平分資源的二分投影推薦基礎(chǔ)算法具有更高的準(zhǔn)確性.

推薦系統(tǒng)算法作為智能算法中的一種，被提出之后首先應(yīng)用于電子商務(wù)，經(jīng)過多年的發(fā)展，逐漸應(yīng)用于各個學(xué)科領(lǐng)域，比如在生物信息學(xué)領(lǐng)域中，用推薦系統(tǒng)算法預(yù)測長非編碼RNA-蛋白質(zhì)關(guān)系,得到長非編碼RNA-蛋白質(zhì)預(yù)測關(guān)系的推薦系統(tǒng)算法模型.

圖2 長非編碼RNA-蛋白質(zhì)關(guān)系預(yù)測推薦系統(tǒng)算法模型

如圖2所示，用戶首先提供自己的喜好信息給推薦系統(tǒng)算法(長非編碼RNA-蛋白質(zhì)的已知關(guān)聯(lián)矩陣)，并將用戶信息和項目信息(蛋白質(zhì)相似矩陣和長非編碼RNA相似矩陣[19,20])以及推薦系統(tǒng)算法(二分投影推薦算法)相結(jié)合，這樣就能計算得到相應(yīng)的計算結(jié)果(長非編碼RNA-蛋白質(zhì)的預(yù)測得分矩陣)推薦給用戶(長非編碼RNA或蛋白質(zhì)，得到預(yù)測關(guān)系).本文以推薦系統(tǒng)算法中的改進的二分投影推薦算法為例，詳述其在預(yù)測長非編碼RNA-蛋白質(zhì)關(guān)系中的應(yīng)用.

改進的二分投影推薦算法預(yù)測長非編碼RNA-蛋白質(zhì)的關(guān)系過程如下：

圖3 改進二分投影推薦算法的長非編碼RNA-蛋白質(zhì)關(guān)系預(yù)測流程圖

如圖3所示，我們先從NPIter2.0[21]數(shù)據(jù)庫下載原始非編碼RNA-蛋白質(zhì)數(shù)據(jù)，經(jīng)過NONCODE[22-23]數(shù)據(jù)庫及Uniprot[24-25]數(shù)據(jù)庫的過濾，得到所需的可靠長非編碼RNA序列和蛋白質(zhì)序列.然后，我們用Smith-Waterman算法計算長非編碼RAN相似矩陣(LSM).LSM(li,lj)表示長非編碼RNAli與lj的相似性，計算如下：

(1)

sw(li,lj)表示經(jīng)Smith-Waterman計算得到的長非編碼RNAli與lj的序列相似性分數(shù).

類似地，我們可以用Smith-Waterman計算得到蛋白質(zhì)的相似性矩陣[26](PSM).PSM(pi,pj)表示蛋白質(zhì)pi與pj的相似性分數(shù)，計算如下：

(2)

sw(pi,pj)表示經(jīng)Smith-Waterman計算得到的蛋白質(zhì)pi與pj的序列相似性分數(shù).

鄰接矩陣Y表示長非編碼RNA-蛋白質(zhì)的關(guān)系矩陣，Y(li,pj)等于1表示長非編碼RNAli與蛋白質(zhì)pj被證實有關(guān)系，若沒有關(guān)系Y(li,pj)為0.

接著，我們應(yīng)用層次聚類法獲得不同的評價等級.層次聚類法采用自下而上的策略，這個策略在第一步中假設(shè)每個蛋白質(zhì)(或者長非編碼RNA)是一個單一的聚類.在這些單一聚類的基礎(chǔ)上應(yīng)用極小方差法進行第二步聚類.LD(li,lj)表示長非編碼RNAli與lj的距離，PD(pi,pj)表示蛋白質(zhì)pi和pj的距離.LD(li,lj)和PD(pi,pj)計算如下：

LD(li,lj)=1-LSM(li,lj)

(3)

PD(pi,pj)=1-PSM(pi,pj)

(4)

然后，基于距離的大小，我們可以進行切割獲得層次聚類樹.基于切割的層次聚類樹，我們可以選擇一個閾值，通過這個閾值再進行聚類.因此，我們可以計算得到蛋白質(zhì)pi對長非編碼RNAlj的評價等級，如下：

(5)

ncr表示包含長非編碼RNAlj的聚類cr中的長非編碼RNA的數(shù)量.T(pi)表示所有與蛋白質(zhì)pi有關(guān)系的長非編碼RNA的數(shù)量.

(6)

(7)

原始等級評價強調(diào)了每個蛋白質(zhì)對其關(guān)聯(lián)的不同長非編碼RNA等級評價的不同.然后，我們定義從長非編碼RNA對其關(guān)聯(lián)的蛋白質(zhì)分配的初始資源如下：

(8)

我們使用的二分投影推薦算法有兩輪資源分配.在第一輪資源分配中，我們將初始資源從長非編碼RNA分配到蛋白質(zhì)，得到二次資源.在第二次資源分配中，我們將二次資源從蛋白質(zhì)再次分配到長非編碼RNA，得到最終資源.最后，將最終資源按照遞減順序排列，我們就可以把相應(yīng)的長非編碼RNA對給定的蛋白質(zhì)進行推薦(即排在前n位的長非編碼RNA與給定的蛋白質(zhì)有關(guān)).在這兩輪的資源分配中，每次資源分配都有不同的分配率.我們可以按照如下公式計算從長非編碼RNAlj分配到蛋白質(zhì)pi出的資源：

(9)

其中，蛋白質(zhì)pi分配得到的資源為所有與其相關(guān)的長非編碼RNA分配的初始資源的總和：

(10)

在第二次資源分配中，我們將二次資源重新分配給長非編碼RNA.與第一次資源分配相同，我們對每條資源分配線都進行加權(quán)，這樣我們得到從蛋白質(zhì)pi分配到長非編碼RNAlj的最終資源為：

(11)

其中，長非編碼RNAlj得到的最終資源是與其相關(guān)的蛋白質(zhì)分配的資源總和：

(12)

這樣我們就得到一個長非編碼RNA-蛋白質(zhì)評價等級分數(shù)矩陣，基于這個等級分數(shù)矩陣，我們可以對給定長非編碼RNA進行蛋白質(zhì)推薦(預(yù)測長非編碼RNA-蛋白質(zhì)關(guān)系).

3 推薦系統(tǒng)算法的發(fā)展趨勢

從以上研究中我們可以發(fā)現(xiàn)，二分投影推薦算法有較高的準(zhǔn)確性以及精準(zhǔn)的預(yù)測結(jié)果[17].但是，應(yīng)用二分投影推薦算法需要已知的長非編碼RNA-蛋白質(zhì)的評價等級(基于已知的長非編碼RNA和蛋白質(zhì)相似性數(shù)據(jù)以及長非編碼RNA-蛋白質(zhì)的關(guān)聯(lián)數(shù)據(jù))，然而，目前我們已知的被驗證的長非編碼RNA-蛋白質(zhì)關(guān)聯(lián)數(shù)據(jù)仍然有限.另一方面，目前推薦系統(tǒng)算法在生物信息學(xué)中的應(yīng)用算法并不是很多，如：基于二分網(wǎng)絡(luò)預(yù)測長非編碼RNA-蛋白質(zhì)的關(guān)系[17]，以及構(gòu)建三層異構(gòu)網(wǎng)絡(luò)模型預(yù)測疾病-藥物關(guān)系和藥物-靶點關(guān)系[10].因此，推薦系統(tǒng)算法在生物信息學(xué)領(lǐng)域的發(fā)展應(yīng)用仍有很大的空間.

4 結(jié)論

本文通過引用具有代表性的文獻，詳述了推薦系統(tǒng)算法的概念、發(fā)展?fàn)顩r、研究現(xiàn)狀以及在生物信息學(xué)中的應(yīng)用現(xiàn)狀.具體介紹了用二分投影推薦算法去預(yù)測長非編碼RNA-蛋白質(zhì)關(guān)系的計算過程.從平分資源的基線算法，到加權(quán)偏好等級算法，二分投影推薦算法在不斷地發(fā)展完善.通過與隨機游走、RPIsq等智能算法的對比，我們可以發(fā)現(xiàn)用二分投影推薦算法來預(yù)測長非編碼RNA-蛋白質(zhì)的關(guān)系是一種比較高效，且具有較高準(zhǔn)確率的方法[17].但是，現(xiàn)有的生物信息數(shù)據(jù)庫中已知的長非編碼RNA-蛋白質(zhì)關(guān)系數(shù)據(jù)有限，預(yù)測的長非編碼RNA-蛋白質(zhì)關(guān)系也非常有限，所以，需要不斷完善數(shù)據(jù)庫資源，多拓展推薦系統(tǒng)算法在生物領(lǐng)域的應(yīng)用，多開發(fā)推薦系統(tǒng)算法種類，不斷完善其局限性.

[1] Mohanty V,G?kmenpolar Y,Badve S,et al.Role of lncRNAs in health and disease-size and shape matter[J].Briefings in Functional Genomics，2015,14(2):115.

[2] Xing C,Yan C C,Xu Z,et al.Long non-coding RNAs and complex diseases:from experimental results to computational models[J].Briefings in Bioinformatics,2016.

[3] Guttman M,Amit I,Garber M,et al.Chromatin signature reveals over a thousand highly conserved large non-coding RNAs in mammals[J].Nature,2009,458(7235):223.

[4] Wapinski O,Chang HY.Long noncoding RNAs and human disease[J].Trends in Cell Biology,2011,21(6):354.

[5] Wilusz J E,Sunwoo H,Spector D L.Long noncoding RNAs:functional surprises from the RNA world[J].Genes & Development,2009,23(13):1494.

[6] Yu F,Zheng J,Mao Y,et al.Long non-coding RNA APTR promotes the activation of hepatic stellate cells and the progression of liver fibrosis[J].Biochemical & Biophysical Research Communications,2015,463(4):679-685.

[7] Prasanth K V,Spector D L.Eukaryotic regulatory RNAs:an answer to the ‘genome complexity’ conundrum[J].Genes Dev,2007,21(1):11-42.

[8] Paul S M,Mytelka D S,Dunwiddie C T,et al.How to improve R&D productivity:the pharmaceutical industry′s grand challenge[J].Nature Reviews Drug Discovery,2010,9(3):203.

[9] Lin C,Yang H K,Shan Z G.Application of Petri nets to bioinformatics[J].Chinese Journal of Computers,2007.

[10] Wang W,Yang S,Zhang X,et al.Drug repositioning by integrating target information through a heterogeneous network model[J].Bioinformatics，2014，30(20):2923.

[11] Deng A L,Zhu Y Y,Shi B L.A Collaborative Filtering Recommendation Algorithm Based on Item Rating Prediction[J].Journal of Software，2003,14(9):54-65.

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

[13] 朱揚勇,孫婧.Recommender System:Up to Now[J].計算機科學(xué)與探索,2015,9(5):513-25.

[14] Resnick P,Iacovou N,Suchak M,et al.GroupLens:an open architecture for collaborative filtering of netnews[J].ACM Conference on Computer Supported Cooperative Work,1994.

[15] Resnick P,Varian H R.Recommender systems[J].Communications of the Acm,1997,40(3):56-58.

[16] Wu M X,Dong L S,Jie Z Y,et al.Research on Social Recommender Systems[J].Journal of Software,2015:26.

[17] Ge M,Wang M.A Bipartite Network-based Method for Prediction of Long Non-coding RNA-protein Interactions[J].基因組蛋白質(zhì)組與生物信息學(xué)報，2016，14(1):62-71.

[18] Yin F,Zhao X,Zhang X,et al.Improving Accuracy and Scalability of Personal Recommendation Based on Bipartite Network Projection[J].Mathematical Problems in Engineering，2014,(2014-9-25).2014，2014(3).

[19] Huang Y A,Chen X,You ZH,et al.ILNCSIM:improved lncRNA functional similarity calculation model[J].Oncotarget，2016，7(18):25902-25914.

[20] Chen X,Huang Y A,Wang X S,et al.FMLNCSIM:fuzzy measure-based lncRNA functional similarity calculation model[J].Oncotarget，2016，7(29):45948-45958.

[21] Yuan J,Wu W,Xie C,et al.NPInter v2.0:an updated database of ncRNA interactions[J].Nucleic Acids Research.2014;42(Database issue):D104.

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

[23] NONCODEv4:Annotation of Noncoding RNAs with Emphasis on Long Noncoding RNAs[J]:Springer New York，2016.

[24] Consortium UP.UniProt:a hub for protein information[J].Nucleic Acids Research，2015，43(Database issue):204-212.

[25] Pundir S,Martin MJ,O′Donovan C,et al.UniProt Tools[J].Current Protocols in Bioinformatics，2016，53:1.29.1.

[26] Huang Y A,You ZH,Chen X,et al.Sequence-based prediction of protein-protein interactions using weighted sparse representation model combined with global encoding[J].Bmc Bioinformatics，2016，17(1):184.

(責(zé)任編輯李超)

ResearchontheApplicationoftheRecommendedSystemAlgorithminBioinformatics

ZHAO Qi1，YU Hai-fan1，HU Huan2，ZHANG Li2，LIU Hong-sheng2，3*

(1.SchoolofMathematics,LiaoningUniversity,Shenyang110036,China； 2.SchoolofLifeScience,LiaoningUniversity,Shenyang110036,China；3.ResearchCenterforComputerSimulatingandInformationProcessingofBio-macromoleculesofLiaoningProvince,Shenyang110036,China)

Recommended system algorithm is a very wide application of the intelligent algorithm,such as the recommendation of the product to users.The application of recommended systems not only saves time,but also can save resources.In addition,the recommended system algorithm can also be applied to bioinformatics research,such as predicting the relationship between lncRNAs and diseases,lncRNA-protein interactions.With the development of biotechnology and medical research,more and more experimental evidences show that the relationship between lncRNA and protein is becoming more and more important in the development of diseases.On the other hand,experimental research cost lots of resources,spent a lot of time and not had necessarily high accuracy.Therefore,the development of efficient and resource-saving intelligent algorithms is an inevitable trend.In this paper,we descripted the related concepts of lncRNAs and the recommended system,and discussed application fields,advantages and limitations of the recommended system algorithm.Then,we discussed the application of recommended system algorithm in the biological field.Especially,predicting lncRNA-protein relationship based on the Bipartite Network Projection Recommended Algorithm.Finally,we discussed the tendency of the development of the recommended system algorithm.

lncRNA;protein;recommendation system algorithm;intelligent algorithm

R 857.3

A

1000-5846(2017)04-0357-07

2017-09-01

遼寧省教育廳高等學(xué)校創(chuàng)新團隊項目(LT2015011)，沈陽市新興產(chǎn)業(yè)創(chuàng)新平臺項目

趙琪(1982-)，男，漢族，遼寧鞍山人，副教授，理學(xué)博士，研究方向：計算系統(tǒng)生物學(xué)和生物數(shù)學(xué).

*

劉宏生，E-mail：liuhongsheng@lnu.edu.cn.