روشی جدید برای پیش بینی ارتباط lncRNA و بیماری

تعداد بسیاری از RNA های غیر کدکننده طولانی (lncRNAs) در سال های اخیر یافت شده اند و شواهد فزاینده ای نشان می دهد که lncRNA ها نقش مهمی در انواع فرآیندهای بیولوژیکی، از جمله کنترل بیان ژن و غیرفعال سازی کروموزوم X ایفا می کنند[۱]، [۲]. در نتیجه، نقص و جهش درlncRNA ها با طیف وسیعی از اختلالات، از جمله سرطان سینه، لوسمی و بیماری های بسیار دیگری مرتبط است[۳]، [۲]. توسعه مدل های محاسباتی قدرتمند برای شناسایی lncRNA های مرتبط با بیماری های مختلف به شناسایی نشانگرهای زیستی و کشف دارو برای تشخیص، درمان، پیش آگاهی و پیشگیری بیماری های انسان کمک می کند[۳]. به عنوان یک ابزار تجزیه و تحلیل نمودار محاسباتی، پیش بینی ارتباط می تواند به ما کمک کند دیدگاه های جدیدی را وارد شبکه کنیم. در این مقاله، ما رویکردهای محاسباتی پیش بینی ارتباط را برای تشخیص ارتباط های جدید بین بیماری و lncRNA، پس از ساختن شبکه ای بین lncRNA و بیماری ها با استفاده از اطلاعات موجود در https://www.cuilab.cn/lncrnadisease، مورد مطالعه قرار دادیم. مطابق با شواهد محاسباتی و تجربی، الگوریتم پیوست ترجیحی (PA) قابل اعتمادترین روش برای پیش بینی رابطه در میان روش های امتیازدهی رایج بر اساس توپولوژی شبکه است که انتشارات اخیر از پیش بینی های محاسباتی آن پشتیبانی کرده اند. طبق پیش بینی بدست آمده از PA، برخی از ارتباطات بین lncRNA و بیماری قبلا در برخی از مقالات منتشر شده ذکر شده اند. این ارتباطات عبارتند از [۴]H۱۹-Myocardial infaraction، [۵]CDKN۲B-AS۱-Tumo و Malat۱-Giloma. [۶]. این یافته ها نشان می دهد که الگوریتمPA به عنوان یک روش قابل اعتماد می تواند برای پیش بینی روابط جدید lncRNAو بیماری، امیدوارکننده باشد. در همین حال PVT۱-Hereditary hemorrhagic telangiectasia، UBE۳A-ATS-Down syndrome،NEAT-۱-Hereditary hemorrhagic telangiectasia و DISC۲-melanom برخی از کاندیدهای احتمالی برای مطالعات آزمایشگاهی و اعتبارسنجی هستند که در هیچ مقاله منتشر شده ای ذکر نشده اند. علاوه بر این، امکان ارتقای الگوریتم های پیش بینی ارتباط در آینده برای تولید پیش بینی های جدید وجود دارد.

کلیدواژه ها:

و RNA های غیر کدکننده طولانی ، بیماری ، پیش بینی ارتباط ، پیوست ترجیحی ، شبکه دو جانبه ، داده کاوی