[发明专利]基于ARM微处理器的siRNA干扰效率预测新方法

说明书

技术领域

本发明属生物信息学研究领域，尤其涉及在RNA干扰(RNA干扰是指由双链RNA诱发同源mRNA高效特异性降解的现象)技术中进行siRNA分子设计时预测siRNA干扰效率的方法。

背景技术

RNA干扰技术是近年来发展起来的一种有效基因研究工具，它的广泛应用加快了功能基因组学的研究步伐，同时也推动了基因治疗等相关领域的研究，影响RNA干扰效率的关键因素之一是siRNA序列(siRNA序列是由A、U、G、C四种碱基组成的长度为19或21的一串字符)设计。RNA干扰技术要求siRNA序列与靶点处的mRNA序列严格匹配，单个碱基错配可能使RNA干扰失效，因此，设计有效的siRNA序列能够提高基因沉默的效率。大量实验表明，针对同一靶mRNA设计的siRNA作用效果差别大，原因是siRNA的沉默效率受到靶mRNA序列和自身序列等因素影响。对于一个靶基因，按照传统的设计规则，会有成百上千个候选的siRNA序列，从中找到最有效的序列是siRNA设计领域中的难题之一。由于采用生物实验方法进行siRNA设计需要大量的人力物力，实验成本高、周期长、效率低，所以通过生物信息学与计算机辅助手段来优化siRNA设计，成为实现RNA干扰的有效手段。

由于RNA干扰的广泛应用，近年来出现了多个预测siRNA效率的方法，分为两类：第一类是基于规则的效率预测方法；第二类是基于机器学习的效率预测方法。在第一种方法中，研究者们比较、分析了高效siRNA序列与低效siRNA序列的差异，总结出能提高siRNA设计效率的规则，对候选的siRNA序列按照其满足规则的情况进行打分，一般情况下，得分较高的认为会有较高的沉默效率。但这种方法将每条规则的权重视为相同，没有区别对待；此外，这种方法还不能定量评估侯选siRNA序列的效率，只能区分siRNA有效或无效。因此，此类方法效率较低。第二类是基于机器学习的效率预测方法，这类方法能定量的预测siRNA的效率，提高了设计的准确性。所以本方法也采用机器学习的方法来进行siRNA干扰效率预测。目前siRNA效率预测大多数都考虑siRNA的特征、双链的能量特征等，但是没有考虑mRNA的motif特征、结构特征。我们认为mRNA全局的序列特征、结构特征对siRNA的干扰效率有影响，所以提出基于mRNA全局特征的siRNA干扰效率预测方法。

随机森林(random forest)是2001年Breiman提出的一种新的组合分类器算法。它的特点如下：具有较高的准确率，且不容易出现过拟合；采用bootstrap重抽样方法和随机选择特征进行分裂相结合，使该算法能较好地容忍噪声；可采用有效的估计方法来处理有缺失的数据，即使缺失数据的比重较大，也可以有很高的准确率。结合随机森林的特点，我们采用随机森林对siRNA的效率进行回归预测。这里Bootstrap抽样方法是指：对于一个含有N个样本的数据集，有放回的随机抽取N次，每一次都从N个样本中抽一个，由于每一次都是随机抽取，每一个样本被抽取的概率是一样的，所以有的样本可能被抽中多次，有的可能一次也没有被抽中。一次也没有被抽中的样本称为袋外数据OOB(out-of-bag)数据，采用OOB数据来估计模型的性能称为OOB估计。对于每一棵树，我们都可以得到它的OOB误差估计，取森林中所有树的OOB误差估计的均值，即可得到随机森林的泛化误差估计。

发明内容

本发明的目的在于提供一种能快速、准确地预测siRNA干扰效率的方法。该方法所需要的硬件设备包括处理器、内存、主板。

本发明包括下列步骤：

1.将siRNA序列输入CPLD。CPLD(Complex Programmable Logic Device)为复杂可编程逻辑器件，从PAL和GAL器件发展而来，相对而言规模大，结构复杂，属于大规模集成电路范围，是一种用户根据各自需要而自行构造逻辑功能的数字集成电路。CPLD基本设计方法借助集成开发软件平台，用原理图、硬件描述语言等方法，生成相应的目标文件，通过下载电缆(“在系统”编程)将代码传送到目标芯片中来实现设计。PAL指可编程阵列逻辑，是70年代末由MMI公司率先推出的一种低密度、一次性可编程逻辑器件。GAL为通用阵列逻辑，从PAL发展而来，因为采用了EECMOS工艺使得该器件的编程非常方便。