microRNA作用靶基因的预测(2)

miRNA是这几年以来学者逐渐加以大量关注能调控基因的表达的重要物质，miRNA所调控的基因大量涉及多种的生物过程，而且微小基因对细胞的表遗传性也有非常重要的影响。miRNA的表达谱和它的表达量的变化与肿瘤的发生、发展有着非常密切的关系，例如在直肠的肿瘤中发现miR-143和miR-145的表达量的下调；在肺癌中发现了let-7的表达量的下调；在慢性淋巴细胞性的白血病中发现了miR-15a和miR-16-1基因的缺失和下调。miRNA的调控机制所获得的研究结果还向我们显示了，以微小RNA做底物的RISC对基因的调控活性是siRNA的近10倍，而且它还影响了基因表达并且不需要去改变基因的序列，从此处我们可以推断，微小RNA在疾病诊断和治疗领域具有非常大的利用价值。我们可以相信，随着我们对miRNA调控机制的进一步认识和了解，我们会更清楚地认识到miRNA的生物学功能，并且帮助我们更好地利用这种基因调控物质来影响细胞的表遗传性，使miR－NA成为战胜疾病的有力工具。

参考文献

根据预测方法的本质，计算预测方法可分为五种方法：（1）同源片段搜索方法；（2）基于比较基因组学的预测方法；（3）基于序列和结构特征打分的预测方法；（4）结合作用靶标的预测方法；（5）基于机器学习的预

mi－测方法。目前，比较流行的miRNA靶标预测算法有TargetScan，

Randa和PicTar。基于机器学习的miTarget算法，不完全依赖于人类已有认知，但其预测性能还有待提高。miRanda、TargetScan和PicTar是目前使用比较广泛的miRNA靶基因预测的算法。

2.1适用范围

miRanda适用于脊椎动物；DIANA-microT适用于所有哺乳动物；RNAhybrid适用于所有哺乳动物；TargetScan适用于脊椎动物；MicroIn－spector适用于所有哺乳动物；PicTar适用于所有哺乳动物；TargetBoost适用于线虫和果蝇；miTarget适用于所有哺乳动物；RNA22适用于所有

[4]

哺乳动物；microTar适用于线虫、果蝇和小鼠。

第一代预测软件大多都是从种子互补这一规则出发来设计算法的，其次则是miRNA靶基因跨物种间保守性；而第二代预测软件则更倾向于机器学习方法训练参数来进行靶基因预测。

2.2第1代预测软件2.2.1miRanda

miRanda是历史上第一个研究出的miRNA靶基因的预测软件[5]。适用范围很广泛，不受各种物种的限制。miRanda算法应用碱基互补原则：A和T配对，C和G配对，A和U配对。这种方法代替了Smith-Wa－terman算法，自己构建打分的矩阵，而且允许了G=U错配。在热力学方面，miRanda利用RNA二级结构所构成的程序包RNAlib进行评估，评估miRNA的靶基因所构成的二聚体的结合能，而对于潜在的那些杂交位点，miRanda也进行打分。miRanda所用的贪心算法取的那对是得分最高且自由能是最低的。

2.2.2DIANAmicroT

DIANAmicroT是基于计算和实验生物学方法而开发出来的miR－NA的靶基因预测软件。DIANAmicroT考虑到了miRNA能够调控单个靶位点这个情况。它判别靶基因有以下两个依据：（1）miRNA和靶基因具有很高的亲和力，通过结合能来衡量。（2）影响miRNA和其靶基因形成的miRNA二聚体和相关蛋白可以指导miRNA和它的靶基因之间的相互作用。（3）RNAhybrid。RNAhybrid是基于miRNA和它的靶基因所形成的二聚体等二级结构而开发的miRNA靶基因的预测软件。RNAhybrid允许用户自定义自由能阈值及p值，也允许用户自定义设置杂交位点的偏向。

2.2.3TargetScan和TargetScans

TargetScan是一款基于靶基因的跨物种保守和miRNA和它的靶基因所构成的二聚体的热力学特征而开发出来的哺乳类动物靶基因的预测软件。TargetScan第一次引入了假阳性率来评价靶基因预测的结果。用信噪比评价预测出的结果。

2.2.4MicroInspector

MicroInspector是可以在线靶基因位点预测工具。较为突出的是，本款软件允许使用者输入完整mRNA序列或者序列片段，而且允许自定义miRNA和靶基因的二聚体杂交时的温度和自由能等参数，较简洁，对初学者是很好的选择。

2.3第2代预测软件2.3.1PicTar

PicTar是一款既兼顾上一代许多预测软件的诸多设计思想，又采用RNAhybrid法评估miRNA和它的靶基因的二聚体结合能从而来实现miRNA的靶基因预测。这个算法一样强调了“种子序列”这一序列的关键作用和二聚体的结合能在靶基因唱的翻译抑制中起到的关键性作用。然而不同的是，PicTar可以把种子序列分为两种，分别是“完全匹配种子序列”和“不完全匹配种子序列”。

2.3.2TargetBoost

TargetBoost是基于GPboost（一种遗传算法）机器学习的方法，从miRNA和它的靶基因之间相互作用的特征中提炼出来加权模序来作为参数，对于不同种类的miRNA进行分类，然后再返回不同的miRNA和它的靶基因之间相互作用的机率大小概率（scores）作为对靶基因最终的打分。

2.3.3miTarget

miTarget则是一款支持向量机（一种机器学习方法），由于径向基核函数对于miRNA和它的靶基因的二聚体的结构、热力学的特征以及miRNA和它的靶基因作用的碱基的位置等参数来进行分类，实现的一款miRNA靶基因的预测软件。

2.3.4RNA22

RNA22则是以Rfam3.0中成熟的miRNA作为训练集，利用了Teiresias算法的从中寻找可变的长度模序，训练出一二阶马可夫的模

[1]盛熙晖，杜立新.MicroRNA及其在人和动物上的研究进展[J].遗传，2007，29(6):651-658.[2]KuriharaY，WatanabeY.ArabidopsismicroRNAbiogenesisthroughDicer-like1proteinfunctions[J].ProcNatlAcadSciUSA，2004，101(34):12753-12758.[3]何晨，谭军，陈薇，等.MicroRNA研究进展[J].生物技术通报，2006，1:18-25.

罗玉萍，李思光.MicroRNA的结构、生物合成及功能[J].生物[4]周冬根，

技术通报，2005，5:20-26.

[5]吴敏，韩召军.miRNA研究方法进展[J].生物技术通讯,2005，16(5):571-573.

-58-