本發(fā)明設(shè)計(jì)醫(yī)學(xué)基因組學(xué)和計(jì)算生物學(xué)領(lǐng)域，具體涉及一種環(huán)狀RNA的高通量芯片數(shù)據(jù)處理及分析流程控制方法。

背景技術(shù)：

環(huán)狀RNA(circular RNA，circRNA)是最近發(fā)現(xiàn)的一類特殊的非編碼RNA，它大量存在于真核細(xì)胞胞質(zhì)內(nèi)，主要由pre-mRNA通過可變剪切加工產(chǎn)生。具有閉合環(huán)狀結(jié)構(gòu)，大部分的環(huán)狀RNA是由外顯子序列構(gòu)成，在不同的物種中具有保守性，同時(shí)存在組織及不同發(fā)育階段的表達(dá)特異性。由于環(huán)狀RNA對核酸酶不敏感，所以比線性RNA更為穩(wěn)定，這使得環(huán)狀RNA在作為新型臨床診斷標(biāo)記物的開發(fā)應(yīng)用上具有明顯優(yōu)勢。然而使用環(huán)狀RNA作為標(biāo)記物也存在諸多問題，例如大量的環(huán)狀RNA被鑒定出來，但是其功能機(jī)制都了解的太少，給科研工作者帶來了挑戰(zhàn)和困難，尤其是面對高通量大數(shù)據(jù)的時(shí)候。如何分析環(huán)狀RNA數(shù)據(jù)，研究其潛在功能成為該領(lǐng)域目前急需解決的問題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提供一種環(huán)狀RNA的高通量芯片數(shù)據(jù)處理及分析流程控制方法，以解決現(xiàn)有的技術(shù)對circRNA高通量芯片數(shù)據(jù)處理中的不準(zhǔn)確性、以及不懂如何分析circRNA等問題。

為實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案為：

一種環(huán)狀RNA的高通量芯片處理及分析流程控制方法，包括如下步驟：

步驟1，自定義參數(shù)配置文件的生成：導(dǎo)入環(huán)狀RNA高通量原始芯片數(shù)據(jù)，經(jīng)過信號(hào)值篩選和標(biāo)準(zhǔn)化得到理論上有效的環(huán)狀RNA，在此基礎(chǔ)上進(jìn)行生物信息學(xué)參數(shù)分析；

步驟2，輸入步驟：用戶根據(jù)需要，輸入設(shè)定的各參數(shù)配置文件；

步驟3，分析步驟：根據(jù)上述步驟輸入設(shè)定的參數(shù)配置文件，通過環(huán)狀RNA高通量數(shù)據(jù)處理流程模塊生成對應(yīng)的自動(dòng)化分析流程；

步驟4，執(zhí)行及輸出步驟：執(zhí)行上述步驟所生成的自動(dòng)化分析流程，獲得并輸出環(huán)狀RNA分析結(jié)果報(bào)告。

優(yōu)選的，所述的步驟1具體包括如下步驟：

步驟1.1，導(dǎo)入環(huán)狀RNA高通量芯片原始信號(hào)值文件；

步驟1.2，對所述的環(huán)狀RNA高通量芯片原始信號(hào)文件進(jìn)行質(zhì)量分析并剔除低質(zhì)量信號(hào)數(shù)據(jù)，獲得經(jīng)過篩選的信號(hào)數(shù)據(jù)；

步驟1.3，將所述的經(jīng)過篩選的數(shù)據(jù)進(jìn)行前景值和背景值校正，得到消除噪音污染的環(huán)狀RNA信號(hào)數(shù)據(jù)；

步驟1.4，將校正過的信號(hào)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，并去除極值，得到理論上有效的環(huán)狀RNA表達(dá)值。

優(yōu)選的，所述的步驟1.2中，所述低質(zhì)量信號(hào)數(shù)據(jù)是指掃描微陣列芯片熒光強(qiáng)度作為RNA表達(dá)信號(hào)值且熒光強(qiáng)度小于30的數(shù)據(jù)，同一探針的重復(fù)信號(hào)數(shù)據(jù)采用中位數(shù)計(jì)算法取中位值作為該探針的表達(dá)值。

優(yōu)選的，所述的步驟1.3中，使用針對Affymetrix芯片原理設(shè)計(jì)的Affy軟件包中的MAS5或者RMA方法根據(jù)不同的芯片類型進(jìn)行芯片數(shù)據(jù)預(yù)處理，其中不同的芯片類型是指單、雙色通道；MAS5得到的數(shù)據(jù)是原始信號(hào)強(qiáng)度，RMA得到的是經(jīng)過對數(shù)變換的信號(hào)值。

優(yōu)選的，所述的步驟1.4中，使用limma軟件包進(jìn)行芯片間歸一化，得到標(biāo)準(zhǔn)化的環(huán)狀RNA表達(dá)譜數(shù)據(jù)。

優(yōu)選的，所述的步驟1中，生物信息學(xué)參數(shù)分析包括差異表達(dá)環(huán)狀RNA的篩選，環(huán)狀RNA的功能性分析和對環(huán)狀RNA的調(diào)控機(jī)制分析。

優(yōu)選的，所述的差異表達(dá)環(huán)狀RNA的篩選包括輸入指令選取1.5倍或者2倍的差異倍數(shù)，選用三個(gè)標(biāo)準(zhǔn)Benjamini–Hochberg方法、FDR方法或者Bonforroni方法校正P-value得到差異表達(dá)的環(huán)狀RNA。

優(yōu)選的，所述的環(huán)狀RNA的功能性分析包括環(huán)狀RNA和基因數(shù)據(jù)的共表達(dá)分析，基因本體分析，代謝通路分析，化學(xué)反應(yīng)分析和調(diào)控網(wǎng)絡(luò)的構(gòu)建；

其中，所述的環(huán)狀RNA和基因數(shù)據(jù)的共表達(dá)分析采用Pearson相關(guān)系數(shù)法或Spearman相關(guān)系數(shù)法；

所述的基因本體分析采用g:Profiler法從生物過程、分子功能和細(xì)胞組分三個(gè)成分進(jìn)行注釋和富集分析；

所述的代謝通路分析和化學(xué)反應(yīng)采用g:Profiler法通過KEGG和Reactive數(shù)據(jù)庫信息進(jìn)行分析。

優(yōu)選的，所述的對環(huán)狀RNA的調(diào)控機(jī)制分析包括miRNA結(jié)合位點(diǎn)預(yù)測，靶基因預(yù)測和競爭性內(nèi)源RNA調(diào)控網(wǎng)絡(luò)的構(gòu)建；

其中，所述的microRNA結(jié)合位點(diǎn)預(yù)測采用TargetScan算法和Miranda算法；

所述的靶基因預(yù)測采用miRWalk和TargetScan數(shù)據(jù)庫信息。

有益效果：利用本發(fā)明，將環(huán)狀RNA各分析步驟模塊分和流程分，能夠單獨(dú)運(yùn)行一個(gè)模塊或流程中的局部分析模塊，并進(jìn)行模塊內(nèi)規(guī)定數(shù)據(jù)分析流程的快速執(zhí)行。從而通過不同模塊的選取，幫助科研人員迅速完成一套高通量數(shù)據(jù)的前期數(shù)據(jù)質(zhì)控、功能分析和結(jié)果報(bào)告。該工具能夠優(yōu)化生物信息分析人員和科研人員的工作時(shí)間，顯著提高工作效率，降低科研成本，本發(fā)明的分析流程思路清晰，其實(shí)現(xiàn)方法簡單，可廣泛應(yīng)用于生物學(xué)研究工作中，也可用于臨床相關(guān)應(yīng)用。

本發(fā)明的方法首先由系統(tǒng)生成自定義參數(shù)配置文件，再根據(jù)用戶設(shè)定參數(shù)后的自定義參數(shù)文件和高通量數(shù)據(jù)處理流程模塊生成與數(shù)據(jù)流程對應(yīng)的批處理可執(zhí)行文件；由系統(tǒng)執(zhí)行批處理可執(zhí)行文件，實(shí)現(xiàn)數(shù)據(jù)流程自動(dòng)化，最終生成結(jié)果報(bào)告文件。從而能高效的幫助生物信息分析人員完成一套標(biāo)準(zhǔn)化的高通量數(shù)據(jù)分析流程，甚至可以讓不懂高通量數(shù)據(jù)分析的科研人員自己完成高通量數(shù)據(jù)分析。從而可以達(dá)到優(yōu)化科研人員的工作效率，降低科研成本的目的。本發(fā)明不僅僅可以用于環(huán)狀RNA高通量數(shù)據(jù)分析流程，也可用于其他非編碼RNA例如lncRNA等高通量芯片分析流程，甚至在任何物種中通用，其實(shí)現(xiàn)方法簡單，應(yīng)用范圍較為廣泛。

附圖說明

圖1是環(huán)狀RNA自動(dòng)化分析流程；

圖2是環(huán)狀RNA生物信息學(xué)分析步驟；

圖3是環(huán)狀RNA-共表達(dá)基因網(wǎng)絡(luò)示意圖；

圖4是環(huán)狀RNA生物通路富集調(diào)控示意圖；

圖5是環(huán)狀RNA的競爭性內(nèi)源RNA調(diào)控網(wǎng)絡(luò)示意圖。

具體實(shí)施方式

下面結(jié)合附圖對本發(fā)明作更進(jìn)一步的說明。

如圖1所示，本發(fā)明的一種環(huán)狀RNA的高通量芯片處理及分析流程控制方法，包括如下步驟：

步驟1，自定義參數(shù)配置文件的生成：導(dǎo)入環(huán)狀RNA高通量原始芯片數(shù)據(jù)，經(jīng)過信號(hào)值篩選和標(biāo)準(zhǔn)化得到理論上有效的環(huán)狀RNA，在此基礎(chǔ)上進(jìn)行生物信息學(xué)參數(shù)分析；

步驟2，輸入步驟：用戶根據(jù)需要，輸入設(shè)定的各參數(shù)配置文件；

步驟3，分析步驟：根據(jù)上述步驟輸入設(shè)定的參數(shù)配置文件，通過環(huán)狀RNA高通量數(shù)據(jù)處理流程模塊生成對應(yīng)的自動(dòng)化分析流程；

步驟4，執(zhí)行及輸出步驟：執(zhí)行上述步驟所生成的自動(dòng)化分析流程，獲得并輸出環(huán)狀RNA分析結(jié)果報(bào)告。

優(yōu)選的，所述的步驟1具體包括如下步驟：

步驟1.1，導(dǎo)入環(huán)狀RNA高通量芯片原始信號(hào)值文件；

步驟1.2，對所述的環(huán)狀RNA高通量芯片原始信號(hào)文件進(jìn)行質(zhì)量分析并剔除低質(zhì)量信號(hào)數(shù)據(jù)，獲得經(jīng)過篩選的信號(hào)數(shù)據(jù)；其中，低質(zhì)量信號(hào)數(shù)據(jù)是指掃描微陣列芯片熒光強(qiáng)度作為RNA表達(dá)信號(hào)值且熒光強(qiáng)度小于30的數(shù)據(jù)，同一探針的重復(fù)信號(hào)數(shù)據(jù)采用中位數(shù)計(jì)算法取中位值作為該探針的表達(dá)值。

步驟1.3，將所述的經(jīng)過篩選的數(shù)據(jù)進(jìn)行前景值和背景值校正，得到消除噪音污染的環(huán)狀RNA信號(hào)數(shù)據(jù)；其中，使用針對全球銷量第一的Affymetrix芯片原理設(shè)計(jì)的Affy軟件包中的MAS5或者RMA方法根據(jù)不同的芯片類型進(jìn)行芯片數(shù)據(jù)預(yù)處理，其中不同的芯片類型是指單、雙色通道；MAS5得到的數(shù)據(jù)是原始信號(hào)強(qiáng)度，RMA得到的是經(jīng)過對數(shù)變換的信號(hào)值。

步驟1.4，將校正過的信號(hào)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，并去除極值，得到理論上有效的環(huán)狀RNA表達(dá)值；其中，使用目前芯片處理最通用的limma軟件包進(jìn)行芯片間歸一化，得到標(biāo)準(zhǔn)化的環(huán)狀RNA表達(dá)譜數(shù)據(jù)。

如圖2所示，步驟1中，生物信息學(xué)參數(shù)分析包括差異表達(dá)環(huán)狀RNA的篩選，環(huán)狀RNA的功能性分析和對環(huán)狀RNA的調(diào)控機(jī)制分析。

其中，差異表達(dá)環(huán)狀RNA的篩選包括輸入指令選取1.5倍或者2倍的差異倍數(shù)(Fold change)，選用三個(gè)標(biāo)準(zhǔn)Benjamini–Hochberg方法、FDR方法或者Bonforroni方法校正P-value得到差異表達(dá)的環(huán)狀RNA。

本發(fā)明的優(yōu)選技術(shù)方案中，所述的步驟1中，對環(huán)狀RNA的功能性分析包括環(huán)狀RNA和基因數(shù)據(jù)的共表達(dá)分析，基因本體分析，代謝通路分析，化學(xué)反應(yīng)分析和調(diào)控網(wǎng)絡(luò)的構(gòu)建。

本發(fā)明的優(yōu)選技術(shù)方案中，所述的步驟1中，對環(huán)狀RNA的調(diào)控機(jī)制分析，包括miRNA結(jié)合位點(diǎn)預(yù)測，靶基因預(yù)測和競爭性內(nèi)源RNA調(diào)控網(wǎng)絡(luò)的構(gòu)建。

在本發(fā)明的一個(gè)實(shí)施方案中，在R平臺(tái)，使用limma軟件包的linear model線性擬合數(shù)據(jù)，通過經(jīng)驗(yàn)Bayes t test得到差異表達(dá)的環(huán)狀RNA結(jié)果。

linear model是limma軟件的線性模型算法，用來分析實(shí)驗(yàn)以及評估差異表達(dá)。

E[y_j]＝Xα_j

上式中，Y_j表示gene J的表達(dá)值；X是實(shí)驗(yàn)設(shè)計(jì)矩陣；Αj是系數(shù)向量。

經(jīng)驗(yàn)Bayes t test檢驗(yàn)是檢驗(yàn)樣本平均數(shù)與總體平均數(shù)的離差統(tǒng)計(jì)量。

$t=\frac{\stackrel{\‾}{X}-\mathrm{\μ}}{\frac{{\mathrm{\σ}}_x}{\sqrt{n-1}}}.$

上式中，為樣本平均數(shù)；μ為總體平均數(shù)；N為樣本容量；σ_x為樣本標(biāo)準(zhǔn)差。

在本發(fā)明的一個(gè)實(shí)施方案中，在R平臺(tái)，對差異環(huán)狀RNA的結(jié)果進(jìn)行錯(cuò)誤發(fā)現(xiàn)率矯正?？梢圆捎肂enjamini–Hochberg，F(xiàn)DR和Bonferroni方法。

Benjamini–Hochberg方法

$P_{\left(k\right)}\≤\frac{k}{m}\mathrm{\α}.$

上式中，α是給定的顯著性閥值；K代表樣本容量；M代表從小到大的排列順序。

FDR方法

$FDR\≤\frac{m_0}{m}q$

上式中，M₀代表零假設(shè)是真的時(shí)候的樣本總數(shù)；M代表樣本容量；Q顯著性閥值。

Bonferroni方法

P＝α/k

上式中，α是給定的顯著性閥值；K是樣本容量。

在本發(fā)明的一個(gè)實(shí)施方案中，在R平臺(tái)，對環(huán)狀RNA和基因表達(dá)譜數(shù)據(jù)進(jìn)行共表達(dá)分析，可以使用Pearson和Spearman兩種算法，將樣品進(jìn)行計(jì)算。

Pearson相關(guān)系數(shù)是用來衡量兩個(gè)數(shù)據(jù)集合是否在一條線上面，它用來衡量定距變量間的線性關(guān)系。

$r_{xy}=\frac{\mathrm{\Σ}ZxZy}{N}$

上式中，Z：代表正態(tài)分布中，數(shù)據(jù)偏離中心點(diǎn)的距離；等于變量減掉平均數(shù)再除以標(biāo)準(zhǔn)差；N為樣本容量。

Spearman相關(guān)系數(shù)對原始變量分布不作要求，屬于非參數(shù)統(tǒng)計(jì)方法。

rs＝1-6∑(Xi-Yi)2/n(n2-1)

上式中，Xi和Yi分別為兩個(gè)變量按大小排位的等級(jí)；n為樣本容量。

在本發(fā)明的一個(gè)實(shí)施方案中，在R平臺(tái)，與環(huán)狀RNA顯著共表達(dá)的基因采用g:Profiler法從生物過程、分子功能和細(xì)胞組分三個(gè)成分進(jìn)行基因本體注釋和富集分析，差異顯著可以用Benjamini–Hochberg和Bonferroni。

在本發(fā)明的一個(gè)實(shí)施方案中，在R平臺(tái)，采用g:Profiler法整合KEGG和Reactive數(shù)據(jù)庫信息對與環(huán)狀RNA顯著共表達(dá)的基因進(jìn)行代謝通路和化學(xué)反應(yīng)分析，差異顯著可以用Benjamini–Hochberg和Bonferroni方法。

在本發(fā)明的一個(gè)實(shí)施方案中，因?yàn)榄h(huán)狀RNA和共表達(dá)的基因具有相近的功能，在得到基因的基因本體、代謝或者反應(yīng)信息確定其功能后，將兩者結(jié)合，生成含有這些信息的網(wǎng)絡(luò)文件?？梢杂肅ytoscape軟件打開，圖形化展示環(huán)狀RNA潛在功能調(diào)控網(wǎng)絡(luò)。

在本發(fā)明的一個(gè)實(shí)施方案中，對環(huán)狀RNA序列的miRNA結(jié)合位點(diǎn)預(yù)測采用miRanda和TargetScan方法。

miRanda方法

miRanda是Enright等人于2003年開發(fā)一種miRNA靶標(biāo)預(yù)測軟件。miRanda的核心思想主要是基于堿基互補(bǔ)，近似于Smith-Waterman算法，但對堿基配對的原則作出了改進(jìn)，允許G-U間的錯(cuò)配?？紤]到miRNA與靶標(biāo)位點(diǎn)結(jié)合時(shí)存在對5’端匹配程度要求較高的特性，軟件使用scale參數(shù)對5’端的11個(gè)堿基的得分作出矯正。而對結(jié)合能計(jì)算方面，miRanda基于ViennaRNA軟件包中RNAlib程序來計(jì)算miRNA-靶序列間的結(jié)合能。對于多個(gè)miRNA靶向同一位點(diǎn)的情況，miRanda采用貪婪算法選取得分最高結(jié)合能最低的結(jié)果。

TargetScan方法

Stark等人于2005年根據(jù)實(shí)驗(yàn)結(jié)果分析miRNA靶標(biāo)位點(diǎn)序列的結(jié)構(gòu)需求，提出了miRNA具有一個(gè)7bp左右的核心序列，也就是種子序列。這段序列只允許Watson-Crick配對。作為靶標(biāo)位點(diǎn)核心的種子序列通常在物種間高度保守。TargetScan基于這一原則對脊椎動(dòng)物的miRNA靶標(biāo)位點(diǎn)進(jìn)行預(yù)測。首先根據(jù)miRNA在各物種間的保守情況將其劃分為廣泛保守、保守和弱保守的miRNA及家族，并考慮了靶標(biāo)位點(diǎn)在多個(gè)物種間的保守性，并根據(jù)保守性的得分高低區(qū)分為保守靶標(biāo)位點(diǎn)和弱保守的靶標(biāo)位點(diǎn)。

在本發(fā)明的一個(gè)實(shí)施方案中，對小RNA靶基因采用miRWalk和TargetScan數(shù)據(jù)庫信息進(jìn)行預(yù)測，并取其交集。

miRWalk數(shù)據(jù)庫

miRWalk是一個(gè)綜合性數(shù)據(jù)庫，提供來自人類、小鼠和大鼠的miRNA的預(yù)測信息和經(jīng)過驗(yàn)證的位于其靶基因上的結(jié)位點(diǎn)，共整合了13個(gè)公共數(shù)據(jù)庫資源。

TargetScan數(shù)據(jù)庫

TargetScan是由microRNA領(lǐng)域大牛Bartel實(shí)驗(yàn)室開發(fā)的數(shù)據(jù)庫?；诎衜RNA序列的進(jìn)化保守等特征搜尋動(dòng)物的microRNA靶基因。是預(yù)測microRNA靶標(biāo)假陽性率較低的數(shù)據(jù)庫。

在本發(fā)明的一個(gè)實(shí)施方案中，得到環(huán)狀RNA、環(huán)狀RNA通過結(jié)合位點(diǎn)吸附的小RNA以及小RNA調(diào)控的靶基因數(shù)據(jù)，構(gòu)建環(huán)狀RNA作為競爭性內(nèi)源RNA的調(diào)控網(wǎng)絡(luò)，生成含有所有信息的文件?？梢杂肅ytoscape軟件打開，圖形化展示環(huán)狀RNA的競爭性內(nèi)源RNA調(diào)控網(wǎng)絡(luò)。

以下結(jié)合具體實(shí)施例對上述方案做進(jìn)一步說明。應(yīng)理解，這些實(shí)施例是用于說明本發(fā)明而不是限制本發(fā)明的范圍。實(shí)施例中采用的實(shí)施條件可以根據(jù)具體應(yīng)用要求的條件做進(jìn)一步調(diào)整，未注明的實(shí)施條件通常為常規(guī)實(shí)驗(yàn)中的條件。

實(shí)施例

首先對原始數(shù)據(jù)進(jìn)行過濾處理，然后去除低質(zhì)量信號(hào)和噪音污染的數(shù)據(jù)，經(jīng)過標(biāo)準(zhǔn)化后得到有效的環(huán)狀RNA表達(dá)值?；诃h(huán)狀RNA分析結(jié)果，可以結(jié)合共表達(dá)的基因表達(dá)譜對其進(jìn)行功能預(yù)測；也可以基于其序列特征，進(jìn)行競爭性內(nèi)源RNA調(diào)控分析。環(huán)狀RNA-共表達(dá)基因網(wǎng)絡(luò)示意圖如圖3所示。在上述分析的基礎(chǔ)上，可進(jìn)行一系列的統(tǒng)計(jì)學(xué)和可視化分析。

1.環(huán)狀RNA原始信號(hào)文件如表1所示

分析平臺(tái)：R平臺(tái)

分析軟件：Affy，limma

表1

列名解釋：

2.環(huán)狀RNA芯片表達(dá)結(jié)果如表2所示

分析平臺(tái)：R平臺(tái)

分析軟件：limma，sva

表2

列名解釋：

3.差異表達(dá)的環(huán)狀RNA結(jié)果如表3所示

分析平臺(tái)：R平臺(tái)

分析軟件：limma，openxlsx

表3

列名解釋：

4.環(huán)狀RNA和基因的相關(guān)系數(shù)如表4所示

分析平臺(tái)：R平臺(tái)

分析方法：Pearson，Spearman

表4

列名解釋：

5.基因功能分析

為了得到與環(huán)狀RNA顯著共表達(dá)的基因的功能，通過David數(shù)據(jù)庫對其從生物過程、分子功能和細(xì)胞組成進(jìn)行基因本體分析，代謝通路分析和化學(xué)反應(yīng)分析。

分析平臺(tái)：R平臺(tái)

分析軟件：g:Profiler

結(jié)果如表5-9所示，環(huán)狀RNA生物通路富集調(diào)控示意圖如圖4所示。

表5生物通路富集分析

列名解釋

表6分子功能富集分析

列名解釋：

表7細(xì)胞組分富集分析

列名解釋：

表8KEGG代謝通路富集分析

列名解釋：

表9Reactive化學(xué)反應(yīng)富集分析

列名解釋：

6.環(huán)狀RNA潛在功能調(diào)控網(wǎng)絡(luò)的構(gòu)建

分析平臺(tái)：R平臺(tái)

圖形化軟件：Cytoscape

7.環(huán)狀RNA的miRNA結(jié)合位點(diǎn)預(yù)測

分析方法：miRanda和TargetScan

miRanda算法是基于位點(diǎn)結(jié)合自由能和序列互補(bǔ)配對得分的方法。默認(rèn)參數(shù)使用strict種子序列互補(bǔ)配對法，score得分大于140分，最小自由能為-15KJ/mol。

分析平臺(tái)：linux平臺(tái)

結(jié)果如表10所示：

表10miRanda結(jié)果

列名解釋：

TargetScan算法是在多重比對序列基礎(chǔ)上通過尋找保守的種子序列來識(shí)別其靶基因的方法。

分析平臺(tái)：perl平臺(tái)

結(jié)果如表11所示：

表11TargetScan結(jié)果

列名解釋：

8.對miRNA靶基因采用miRWalk和TargetScan數(shù)據(jù)庫信息進(jìn)行預(yù)測，并取其交集。得到環(huán)狀RNA、環(huán)狀RNA通過結(jié)合位點(diǎn)吸附的miRNA以及miRNA調(diào)控的靶基因數(shù)據(jù)，構(gòu)建環(huán)狀RNA作為競爭性內(nèi)源RNA的調(diào)控網(wǎng)絡(luò)，生成含有所有信息的文件。

圖形化軟件：Cytoscape，環(huán)狀RNA的競爭性內(nèi)源RNA調(diào)控網(wǎng)絡(luò)示意圖如圖5所示。

以上顯示和描述了本發(fā)明的基本原理、主要特征和本發(fā)明的優(yōu)點(diǎn)。本行業(yè)的技術(shù)人員應(yīng)該了解，本發(fā)明不受上述實(shí)例的限制，上述實(shí)例和說明書中描述的只是說明本發(fā)明的原理，在不脫離本發(fā)明精神和范圍的前提下本發(fā)明還會(huì)有各種變化和改進(jìn)，這些變化和改進(jìn)都落入要求保護(hù)的本發(fā)明范圍內(nèi)。本發(fā)明要求保護(hù)范圍由所附的權(quán)利要求書及其等同物界定。