[发明专利]利用多数据平台发现长链非编码RNA分子标志物运用ceRNA机制的方法及系统和应用

说明书

本发明公开了一种多数据平台发现长链非编码RNA分子标志物运用ceRNA机制的方法及系统和应用。基于TANRIC公共数据资源的直肠癌LncRNA测序数据，运用多样的生物信息学分析手段，对LncRNA表达数据进行分析处理，识别与直肠癌相关的LncRNA，对LncRNA相关ceRNA机制探究，最终形成LncRNA‑miRNA‑mRNA‑疾病互作图。本发明采用丰富多样的生物信息学手段，整合数据资源，建立一套完整的分析流程，可有效发现直肠癌相关LncRNA分子通过ceRNA机制发挥其生物效应，在此过程中利用了公共数据库高通量数据，降低科研成本，提高分析效率。本发明可发现多个风险LncRNA，对复杂疾病的生物靶向治疗、基因功能预测、ceRNA机制探究及基因生物效应与预后评估都有重要意义，可广泛应用于生物学研究工作中，也可用于临床相关应用。

技术领域

本发明涉及一种生物统计学方法及系统和其应用，尤其涉及一种利用多数据平台发现长链非编码RNA分子标志物运用ceRNA机制的方法及系统和其应用。

背景技术

生物信息学是一门交叉学科，覆盖了生命科学、数学、统计学、物理学、化学、信息学和计算机技术等多门学科领域。它是当今生命科学和自然科学的重大前沿领域之一，同时也将是21世纪自然科学的核心领域之一。生物信息学的研究工具主要有计算机、软件和互联网，研究对象主要有核酸序列和蛋白质序列。生物信息学旨在对大量的原始学数据进行存储、编辑、处理、传播和分析，归纳数据中的变化规律，揭示数据中所蕴含的生物学奥秘，同时为试验设计提供理论支持和指导，缩短科研周期。随着测序技术的成熟，各种各样的生物学数据突飞猛增，研究者为方便管理利用这些数据建立了生物信息学数据库。生物信息学数据库包含了大量的生物学原始数据，是生物信息学研究的出发点，也是其根本。而当下如何充分利用公共数据资源、高效整合数据、深入挖掘分析已成为生物信息学的一个重要课题。

TANRIC数据库为提供给癌症研究一个全面的LncRNA资源，从TCGA等独立研究中收集整合了大规模的RNA-seq数据集，并通过TANRIC提供了经过处理的表达数据。目前发布的数据包括8143个样本，包括三个部分。第一部分包括UCSC癌症基因组中心和TCGA数据库组织样本集:20个肿瘤类型的6309个肿瘤样本和11个组织的564个正常样本。其他癌症组将陆续添加。(ii)第二部分由独立的肿瘤组织样本组组成:多形胶质母细胞瘤274例，肾透明细胞癌97例，肺腺癌83例。其他独立的样本集将在可用时添加。(iii)第三部分由肿瘤细胞系组成:来自CCLE的739个细胞系样本。据我们所知，该数据库为目前现有癌症基因组LncRNA的最大公开可用的数据库，且数据涉及内容包含表达谱、拷贝数变异、突变、临床信息等，且数据量在逐年递增。该数据库试图通过应用基因组分析技术，特别是采用大规模的基因组测序，旨在找到具有致癌和抑癌作用的LncRNA，从而探索癌症疾病的发生、发展机制，在此基础上创新性发展新的诊断和治疗方法，为预防癌症提供新的思路。

长链非编码RNA(long non-coding RNA，LncRNA)是一类转录本长度超过200nt、不编码蛋白的RNA。长链非编码RNA起初被认为是基因组转录的“噪音”，不具有生物学功能。然而，近年来的研究表明长链非编码RNA能在表观遗传、转录及转录后水平上调控基因表达，参与了X染色体沉默、基因组印记以及染色质修饰、转录激活、转录干扰、核内运输等多种重要的调控过程，与人类疾病的发生、发展和防治都有着密切联系。长链非编码RNA通常较长，具有mRNA样结构，有些具有poly(A)尾巴，有些没有poly(A)尾巴，分化过程中有动态的表达与不同的剪接方式，与编码基因相比，长链非编码RNA表达量更低。且具有组织特异性即不同组织之间的长链非编码RNA表达量不同和时空特异性即同一组织或器官的不同生长阶段，其中的长链非编码RNA表达量也会变化。长链非编码RNA可从染色质重塑、转录调控及转录后加工等多种层面实现对基因表达的调控。