MicroRNAs研究进展(mRNA及其靶标的生物信息学鉴定).pdf

万方数据 18 丝 现岱生物医堂进展她丛垒堕曼壅 塾壁 堡壁鱼婪蛰堡鲤鱼鲢鲤量婴翻垒巫量煎堕塑垒鱼鱼Z 盟 垒b 窒 准 反复检测和改进这套运算法则 可以得到这部分m i c r o R N A s 的准确的分数 再将另一批已知的l n i c r o I 喇A s 作为未知 序列 输人计算机为其打分 这两批已知的I n i c r o I A s 的分数 可用来评估这套运算法则的敏感性和特异性 大多数预测程序的依据是不同物种间I I l i c r o 鼢蛆s 的高度 保守性 计算机检测到的l n i c r o R N A s 具有同源性 这种方法可 以滤除假阳性的序列 但在检测保守的m i c r o I A s 时有其局 限性 M i c r o I 州A s 的计算机鉴定对研究人员来说是一个巨大的 挑战 M i c r o 砌q A s 并没有足够的特征可以进行精确的鉴定 多 数情况下严格的检测标准设置会降低方法的敏感性 要得到更 令人满意的准确度 适宜的方法是将n l i c m I 冰A s 多个特征结 合起来 并给予每个特征不同的权重 这需要反复的精细的调 节 通过反复测定方法的精确度 将不同特征的权重调整到合 适的大小 通过运算获得高分的序列需要验证其在不同组织和 细胞中的表达 预测的m i c r o R N A s 如果用生化方法检测不到 并不代表生物信息学的预测方法是错误的 导致这种结果的原 因可能是m i c r o I 斟A s 在被检测的组织中不表达 或仅在细胞 周期的某个阶段表达 或者m i c m R N A s 的表达量很低 后者很 难解决 因为低丰度t I l i c r o R N A 通常与另一个高表达的r n i c r o R N A 很相似 高丰度I I l i c r o 鼢她的表达会掩盖相似的低丰 度m i c r o 心忱的表达 特别是用P c R 进行扩增时 1 2M i c m R N A 预测的运算程序 几种优秀的计算机化m i c f o R N A 预测方法已被建立和应 用 研究人员使用m i 黜e e k e r 计算机化的m i c m R N A 预测程 序 辨认4 8 个果蝇序列 确认2 4 个序列为m i c r o R N A M o l d 是在两种果蝇中发现的高度保守的一种发夹结构 1 1 1 i 黜e e k e r 利用 M f o l d 评估与已知的I I l i c r o R N A s 的核苷酸序列有差别 的R N A 折叠片段是否为m i c m R N A 另一种程序M i r s c a n 鉴定出3 0 个线虫m i c r o R N A s 3 8 个 人类I I l i c r 0 鼢淞s 这种程序使用 R N A F o l d 评估具发夹结构的 保守序列 它以5 0 个C b 啦g s a e 和C e l e g a n s 的已知I I l i c r o R N A s 为标准 每一个保守的发夹结构 逐一截取一段2 1 个 核苷酸长的序列 经过计算分析其核苷酸序列与已知的m i c r o R N A s 的匹配程度 c b r i g g s a e 和C e l e g a n s 基因组中约有 3 5 0 0 0 个保守的发夹结构 M i r s c a I l 能从中有效的鉴定出保守 的I n i c m R N A B e r e z i k o ve ta 1 发现m i c r o 鼢慵发夹环茎部的核苷酸序列 具有更高的保守性 利用这个特征与I I l i c r o R N A 其它已知的特 征相结合 B e r e z i k o ve ta 1 确认了1 6 个新的人类m i c m I A s 最近 一种新的l I l i c r o I 斟A 检测技术被建立 研究人员利 用该技术确认了8 9 个人类m i c r o R N A 其中5 4 个为灵长类特 有的商c r o R N A 新发现的l l l i c r o R N A s 是属于灵长类特有的两 个大基因簇 不同于此前已知的其他人类r n j c r o R N A 基因 簇 那些簇在所有哺乳动物都有 两大基因簇的其中一个簇 定位在1 9 号染色体上 并且只在胎盘中表达 它是目前为止报 道过的最大的n l i c r o R N A 簇 包括5 4 个新的m i c m R N A 第二 个基因簇定位在x 染色体 包括1 0 个r n i c m R N A 它们只在睾 丸中表达 这种技术与上述的方法并不相同 它不依赖于m i c r o R N A 的序列保守性 因此可以发现灵长类特有的商c r o R N A 其原理是先采用 R N A F o l d 扫描整个基因组非编码区 筛 选出的发夹结构通过微阵列技术和测序技术进行鉴定 它可以 发现基因组中大量的成簇存在的r n i c r o R N A s 旧 1 3M i c r 0 R N A 的鉴定技术 由于m i c m R N A s 一类很小的分子 表达量也很低 多数情 况下与其它的I I l i c r o R N A s 序列高度相似 检测它的表达非常 困难 传统的基因表达技术的敏感性和特异性都达不到检测 m i c r o R N A 的水平 过去的几年里 几种鉴定方法取得了重大的 进展 已经能够解决这个问题 克隆和测序对预测的m i c m R N A 是一种最有效的鉴定方 法 下面是所使用的几种克隆方法的简要描述 随机克隆和测 序在最初是主要的检测方法 现在作为间接的方法和m i c r o R N A 的生物信息学预测相结合以鉴定m i c r o R N A 预测的m i c f o R N A 平行的随机克隆和测序 再将结果加以比较 这种方法 不能鉴定出低表达量的I I l i c m R N A 1 0 部分扩增测序是一种 P c R 扩增技术 它使用一条部分覆盖l l l i c r o R N A 序列的引物 另一条引物为c D N A 克隆的适配体 现已成为预测的m i c r o R N A 主要的测序方法 随机克隆和测序无法鉴定的m i c r o R N A 也能被其检测 但该方法有一缺点 它与预测的1 1 1 i c r o I 斟A 配 对的引物有几个核苷酸是游离的 这可能无法区分序列高度相 似的1 1 1 i c m R N A I q 序列特异性克隆和测序是新被建立的方法 克服了上述的 缺点 它首先根据预测的m i c r o R N A 设计一段生物素标记的寡 聚核苷酸 再用这段核苷酸去捕获c D N A 文库 来源于小 鼢叮A 中同源的m i c m R N A 用被捕获的c D N A 进行扩增和测 序 不同的杂交实验可间接的鉴定预测的m i c m R N A N o n l l e mb l 吣被视为鉴定预测的I I l i c m R N A 的金标准 然而 N o n h e mb l o t s 已被证明在鉴定少见的I I l i c r o R N A 时并不总是 有效 阍 几种依赖于杂交技术的高通量的鉴定方法正被应用 这些 方法包括 膜阵列 这种方法利用放射性标记的探针检测互补 的m i c m R N A 是一种廉价 有效的方法 但对大量的检测并不 合适 微阵列 是一种敏感和特异的方法 可以高通量的检测 m i c r o R N A 多种m i c r o 心队可被同时鉴定 2M i c r o 鼢认靶标的预测和鉴定 2 1M i c r o 对妊靶标的预测 与新的删A 的频频发现相比 m i R N A 的功能研究相对 缓慢 到目前为止 在发现的1 3 0 0 多个m i R N A 中 确定功能的 m i R N A 仅有十个 导致l I l i R N A 功能研究进展缓慢的非常重要 的原因是m j R N A 的作用靶标难以确定 早期觚c r 0 R N A 靶标 的识别主要通过筛查m i c m R N A 的互补序列 这种方法更有利 于植物l I l i c r 0 R N A 靶标的识别 因为植物m i c r o R N A 与其靶标 的互补性比动物m i c m R N A 的互补性高 当前 通过实验方法 确定I I l i R N A 的作用靶标非常耗时 尚无高通量的靶标鉴定方 法 因此 通过理论方法预测m i R N A 的作用靶标成为当前识别 m i I 矾A 作用靶标的较为理想的途径 M i c r o R N A 靶标的计算机预测比m i c m R N A 的预测更困 难 首先 缺乏足够的已知1 1 1 i c r o R N A 靶标作标准 其次 m i c r o R N A 靶标的鉴定更复杂 没有高通量的鉴定方法 实际上仅 有一小部分预测的l l l i c r 0 鼢峨靶标被鉴定 2 1 常用的的预测程序有T a r g e t s c a na I l dT a 玛e t s c a I l s m 派a n d a D I A N A m i c r o T R N 舳 b 耐 P i c I 打等等 虽然现有的几种 预测程序在技术细节上有所不同 但它们都建立在相同的原理 上 即m i c r 0 R N A 与靶标的结合机制 这种机制包括 M i c r o R N A 靶标的5 末端6 8 个保守核苷酸 下游的保守 万方数据 巫丛生物医堂进屋里圈旦 坠i 鱼坐壁照 坠曼 壁塾里 鳃艘璺璺鱼 鱼亟壁婴壁i 鲤皇蚴皇星Q Q Z 盟Q 星 18 竺 腺苷酸 1 9 研究几种已知的I I l i c r o R N A s 的单核苷酸突变与其靶 标的结合模式 研究人员发现m i c m I A5 末端6 8 个核苷酸 是m i c r o R N A 与靶标结合的关键 对m i c r o R N A 抑制其靶标的 表达是必需的 M i c m I 斟A 靶标的5 末端不完全与I I l i c r o R N A 配对 计算机分析指出通常与之相连的下游核苷酸为腺苷酸口嘲 代偿性的3 末端 3 末端作为5 末端不完全配对的代偿 现已发现两种类型的m i c r o R N A 结合位点 5 优势位点 I I l i c r o R N A 通过该位点与靶标的5 末端配对 需要或不需要3 端 的结合 3 代偿位点 需要3 端的结合以支持5 端不完全的配 对嗍 多个结合位点及其上下游序列 核苷酸突变研究揭示多个 m i c m R N A 与靶标的位点相结合 以协同 联合的形式发挥功能瞄 m I A 靶标的结构 最近的研究发现1 1 1 黼A 靶标结合位 点的二维结构是不稳定的 其相邻结构也是不稳定的 5 结合 位点至少有3 个核苷酸不参与结合 这种结构有利于m i c m R N A 的接近和结合阳 2 2M i c m R N A 靶标的鉴定 目前 尚无简单 高通量的方法鉴定r I l i c m R N A 靶标 通过 程序预测到的I I l i c r o R N A 靶标一般用生物学和信息学方法相 联合进行鉴定 常用的生物学鉴定方法包括 报告基因构建 突变研究 基因沉默技术 4 经典的遗传学技术 2 大约3 0 个 动物m i c r o R N A 靶标使用这些方法进行了鉴定 虽然生物学方 法只鉴定了很小一部分的m i c r 0 R N A 靶标 但证实了预测程序 可有效识别m i c r o R N A 靶标 3 结论 最近几年 m i c r o R N A s 的预测获得了巨大的进展 而 c m I A 的预测程序和m i c r o I A 鉴定技术的结合 为我们打 开了通向基因调节世界的大门 敏感的生物学鉴定技术可以指 导预测程序的微调 而这些技术的发展又依赖于有效的预测程 序 计算机预测程序和高通量生物学鉴定技术的整和将是最有 效的m i c m R N A 探测技术 从2 0 0 3 年3 3 个人类I I l i c r 0 R N A s 被发现 到最近6 8 0 个 m i c r o R N A s 等待鉴定 1 8 人们对I l l i c r o R N A 的研究不断深入 高效的m i c r o R N A 预测和鉴定技术将是了解和探索m i c m R N A s 功能的关键 参考文献 R e f e r e n c e s 1 J O H N S T O NR Ja I l dH o B E I 汀O Am i c m R N Ac o m m l l i n gl e 削r i g h t n e u m n a l a s m m e 缸yi nC a c n o r h a b d i t i se l e g a n s J N a t I l r e 2 0 0 3 4 2 6 8 4 5 8 4 9 2 L v IL P G L A S N E RM E K 1 AS e ta l V e n e b r a t em i c r o R N A g e n e s J tS c i e n c e 2 0 0 3 2 9 9 1 5 4 0 3 P O YM N Ap a I l c r c a t i ci s l e t s p e c i f i cm i c m R N Ar e g u l 砒e si n s u l i ns e c r e t i o n J N a t u r e 2 0 0 4 4 3 2 2 2 6 2 3 0 4 L E ER C F E I N B A U MR L a n dA m R O SV T h eC e l e g a n sh e t e m c h r D n i cg e n el i n 一4e n c o d e ss m a l lR N A s 丽ma I l t i s e n s ec o m p l e m e n t 撕t yt ol i n 一1 4 J c e l l 1 9 9 3 7 5 8 4 3 8 5 4 5 R E I N H A R TB t J s L A c KF J B A s S O NM e ta 1 T h e2 l n u c l e o t i d e l e t 7 R N A r e g u l a t e s d e V e l o p m e n t a l t i m i n g i n C a e n o r h a b d i t i s e l e g a n s J N a t I l r e 2 0 0 0 4 0 3 9 0 1 9 0 6 6 B R E N N E C K EJ H I P F N E RD R s T A R KA e ta 1 B a n t a r ne n c o d e sa d e v e l o p m e n t a l l yr c g u l a t e dm i c r o R N At h a tc o n t m l sc e l lp r o l i f b r a t i o n a n dr e g u l a t e st h ep r o a p o p t o t i cg e n eh i di nD m s o p h i l a J C e l l 2 0 0 3 l 3 2 5 3 6 7 UP V E R N o o YS Y G U 0M e ta 1 T h eD r o s 叩h i l am i c r o I 心渔 M i r 1 4s u p p r e s s e sc e l ld e a ma I l di sr e q u h df o rn o r n l a lf a tm e t a b o l i s m J 1 C u r r B i o l 2 0 0 3 1 3 7 9 0 7 9 5 8 L A UN c L I ML P 矾s T E I NE G e ta 1 A na b u n d a n tc l a s so f t i n y R N A s 丽t hp m b a b l er e g I l l a t o r ym l e si nC a e n o r h a b d i t i se l e g 髓s J S c i e n c e 2 0 0 1 2 9 4 8 5 8 8 6 2 9 L E ER Ca n dA M B R O SV A ne x t e n s i v ec l a s so fs m a nR N A si n C a e n o r h a b d i t i se l e g a I l s J S c i e n c e 2 0 0 l 2 9 4 8 6 2 8 6 4 1 0 L A G O S Q I 肺汀A N AM R A I I I TR L E N D E C 丑w e ta 1 I d e n t i 矗c a t i o no fn o v e lg e n e sc o d i n gf o rs m a l le x p r c s s e dR N A s J S c i e n c e 2 0 0 1 2 9 4 8 5 3 8 5 8 1 l L A G O S Q I n 盯A N AM R A l 7 H I I TR Y A L c 玳A e ta 1 I d c n t i f i c a t i o no f t i s s l J e s p e c 谲cM i c r o R N A s 丘D mm o u s e J c u 玎 B i o l 2 0 0 2 1 2 7 3 5 7 3 9 1 2 L A JE C T 伪讧A N C A KP W 几1 1 A M sR w e ta 1 c o m p u t a t i o n a l i d e n t i f i c a t i o no f D r o s o p h i l am i c m I Ag e n e s J G e n o m eB i o l 2 0 0 3 4 R 4 2 1 3 N 队T H E w sD H S A B I N AJ Z u K E RM c ta 1 E x p a n d e ds e q u e n c e d 印e n d e n c eo ft h e m l o d I I a m i cp a r a m e t e r si m p m v e sp r e d i c t i o no f R N As e c o 姗s 仃u c t L l r e J J M 0 1 B i o l 1 9 9 9 2 8 8 9 1 l 一9 4 0 1 4 G R A DY A A C HJ H A Y E SG D e ta 1 C o m p u t a t i o n a la n de x p e 一 m e I l t a l i d e n t i f i c a t i o no fc e l e g a I l sm i c r o R N A s J M o l IC e l l 2 0 0 3 1 1 1 2 5 3 一1 2 6 3 1 5 B 舢 泌D0 M i c m I 悄Ae x p r e s s i o nd e t e c t e db yo l i 9 0 n u c l e o t i d em i c r 0 锄y s s y s t e me s 诅b l i s h m e n ta n de x p r e s s i o np r o f n i n gi nh u m a n t i s s u e s 叨 G e n o m eR e s 2 0 0 4 1 4 2 4 8 6 2 4 9 4 1 6 B E R E z o VE G U I t Y E VV V A ND EB J e ta 1 P h y l o g e n e t i cs h a d o 丽n ga n dc o m p u t a t i o n a I i d e n t i f i c a t i o no f h u m a I lI I l i c r o 鼢蛆g e n e s J C e l l 2 0 0 5 1 2 0 2 l 一2 4 1 7 S E M P E R EI j P F I u j E M 舢n 1 正S P I T H A R O W EI e ta 1 E x p r e s s i o n p m 丘l i n go fm a m m a l i a nm i c r 0 砌q A su n c o v e r sas u b s e to fb m i n e x p r e s s e dm i c r o R N A s 谢t hp o s s i b l em l e si nm 嘶n ea n dh 岫a I ln e u r o n a ld i f f h c l l t i a t i o n J G e n o m eB i o l 2 0 0 4 5 R 1 3 1 8 B E 汀W I C HI I d e m i f i c a t i o no f h l l l l d r c d so f c o n s e r v e da 1 1 dn o n c o n s e r v e dh m 咖m i c r o R N A s 叨 N a t G e n e t 2 0 0 5 3 7 7 6 6 7 7 0 1 9 L E SB P B U R G EC Ba n dB A R T E LD P c o n s e r v e ds e e dp a i r i n g o f t e nn a l l k e db ya d 即o s i I l e s 砌c a t e st h a tt h o u s a n d so fh u m a ng e n e s a em i c r o I 心渔t a r g e t s J C e l l 2 0 0 5 1 2 0 1 5 2 0 2 0 G I 己 F T H S J o N E SS 1 km i c r o R N Ar e g i s 时 J N u c l e i cA c i d sR e s 2 0 0 4 3 2 D 1 0 9 1 ll 2 1 U w I SB P S H m J o N E s R H o A D E SM w e ta 1 P r e d i c t i o no f m a m m a l i a nm i c m R N A t a r g e t s J C e l l 2 0 0 3 11 5 7 8 7 7 9 8 2 2 K L 0 0 S T E R M A Nw P w 1 勘呵H O L D sE K E T T 矾GR F e ta 1 s u b s t r a t er e q u i r c m e n t sf o r1 c t 7 如n c t i o ni nm ed e v e l o p i n gz e b m f i s he m b r r o J N u c l e i cA c i d sR 船 2 0 0 4 3 2 6 2 8 4 6 2 9 l 2 3 B R E N N E c K EJ S T A R K 氏R u s S E L LR B e ta 1 P r i n c i p l e so fM i c m 砌妊 t a r g e tr e c o 髓i t i o n J P L o S B i o l 2 0 0 5 3 e 8 5 2 4 K I A K 0 1 7M N E L S o NP T K 0 1 I I c A N o VA e ta 1 Ac o m b i n e d c o m p u 诅t i o n a le x p e r i m e n t a la p p r o a c hp r c d i c t sh u m a l lm i c m R N At 辨 g e t s J G e n e sD c v 2 0 0 4 1 8 1 1 6 5 1 1 7 8 2 习D o E N C HJ Ga n dS H A R PP A S p e c i f j c i t y o 矗n i c r o R N A t a r g e ts e l e c t i o ni n 仃 a n s l a t i o n a lr 印r e s s i o n J G e n e s D c v 2 0 0 4 1 8 5 0 4 5 11 2 6 L E W I SB P B U R G EC Ba n dB A R T E lD P C o n s e e ds e e dp a i r i n g o f t e nn a I l k e db ya d e n o s i I I e s i n d i c a t e st l l a tt h o u s a n d so fh u m a ng e n e s a r e M i c r o R N A t a 苫e t s J c e l l 2 0 0 5 1 2 0 1 5 2 0 2 7 R O B 烈SH L IYa I l dP A D G E T TR W I n c o r p o r a t i n gs m l c t u r et op r c d i c tm i c r o I 心m t a r g e t s J P N A S 2 0 0 5 1 0 2 4 0 0 6 4 0 0 9 万方数据 MicroRNAs研究进展MicroRNAs研究进展 作者 李广平 邱长春 LI Guang ping QIU Chang chun 作者单位 中国医学科学院基础医学研究所分子生物学重点实验室 北京 100005 刊名 现代生物医学进展 英文刊名 PROGRESS IN MODERN BIOMEDICINE 年 卷 期 2007 7 12 引用次数 0次 参考文献 27条 参考文献 27条 1 JOHNSTON RJ HOBERT O A microRNA controlling left right neuronal asymmetry in Caenorhabditis elegans 2003 2 LIM LP GLASNER ME YEKTA S Vertebrate microRNA genes 2003 3 POY M N A pancreatic islet specific microRNA regulates insulin secretion 2004 4 LEE RC FEINBAUM RL AMBROS V The C elegans heterochronic gene lin 4 encodes small RNAs with antisense complementarity to lin 14 1993 5 REINHART B J SLACK F J BASSON M The 21 nucleotide let 7 RNA regulates developmental timing in Caenorhabditis elegans 2000 6 BRENNECKE J HIPFNER DR STARK A Bantam encodes a developmentally regulated microRNA that controls cell proliferation and regulates the proapoptotic gene hid in Drosophila 2003 7 XU P VERNOOY SY GUO M The Drosophila microRNA Mir 14 suppresses cell death and is required for normal fat metabolism 2003 8 LAU NC LIM LP WEINSTEIN EG An abundant class of tiny RNAs with probable regulatory roles in Caenorhabditis elegans 2001 9 LEE RC AMBROS V An extensive class of small RNAs in Caenorhabditis elegans 2001 10 LAGOS QUINTANA M RAUHUT R LENDECKEL W Identification of novel genes coding for small expressed RNAs 2001 11 LAGOS QUINTANA M RAUHUT R YALCIN A Identification of tissue specific MicroRNAs from mouse 2002 12 LAI EC TOMANCAK P WILLIAMS RW Computational identification of Drosophila microRNA genes 2003 13 MATHEWS DH SABINA J ZUKER M Expanded sequence dependence of thermodynamic parameters improves prediction of RNA secondary structure 1999 14 GRAD Y AACH J HAYES GD Computational and experimental identification of C elegans microRNAs 2003 15 BARAD O MicroRNA expression detected by oligonucleotide microarrays system establishment and expression profiling in human tissues 2004 16 BEREZIKOV E GURYEV V VAN DE BJ Phylogenetic shadowing and computational identification of human microRNA genes 2005 17 SEMPERE LF FREEMANTLE S PITHA ROWE I Expression profiling of mammalian microRNAs uncovers a subset of brain expressed microRNAs with possible roles in murine and human neuronal differentiation 2004 18 BENTWICH I Identification of hundreds of conserved and nonconserved human microRNAs 2005 19 LEWIS BP BURGE CB BARTEL DP Conserved seed pairing often flanked by adenosines indicates that thousands of human genes are microRNA targets 2005 20 GRIFFTHS JONES S The microRNA registry 2004 21 LEWIS BP SHIH IH JONES RHOADES MW Prediction of mammalian microRNA targets 2003 22 KLOOSTERMAN WP WIENHOLDS E KETTING RF Substrate requirements for let 7 function in the developing zebrafish embryo 2004 23 BRENNECKE J STARK A RUSSELL RB Principles of MicroRNA target recognition 2005 24 KIRIAKIDOU M NELSON PT KOURANOV A A combined computational experimental approach predicts human microRNA targets 2004 25 DOENCH JG SHARP PA SpecificityofmicroRNAtarget selection intranslational repression 2004 26 LEWIS BP BURGE CB BARTEl DP Conserved seed pairing often flanked by adenosines indicates that thousands of human genes are MicroRNA targets 2005 27 ROBINS H LI Y PADGETT RW Incorporating structure to predict microRNA targets 2005 相似文献 10条 相似文献 10条 1 学位论文 屠康 哺乳动物microRNA的靶基因预测新方法 2008 microRNA是一类重要的非编码RNA 通过在转录后水平上抑制靶基因的mRNA翻译或降解靶基因mRNA来发挥作用 microRNA数目众多 根据miRBase数 据库 到目前为止 已经发现了678个人类的microRNA基因 并且新的microRNA还在不断的发现中 microRNA的功能重要 目前认为microRNA参与很多重 要的生物学过程 如转录因子调控网络 发育过程中的时序控制 神经突触形成 细胞增殖 细胞死亡 细胞分化等 microRNA是近年来分子生物学上 的研究热点之一 microRNA的功能通过作用到靶基因实现 发现microRNA的靶基因将极大地促进microRNA的功能研究 但是 目前尽管发现了很 多microRNA 但是寻找microRNA靶基因相对困难 虽然目前有多种计算生物学的工具用来预测哺乳动物中microRNA的靶基因 比如 miRanda TargetScan PicTar 但得到实验验证的靶基因数目远远小于通过计算方法预测的数目 因此提高目前microRNA靶基因预测方法的预测准确性 是非常重要的 本文在现有的研究基础上 原创性的提出了3种不同类型的microRNA靶基因识别方法 它们分别是根据序列特征提高识别 microRNA的靶基因方法的准确率的机器学习方法 基于MIGE数据集识别microRNA的降解靶基因以及构造microRNA的一 二级调控网络的统计模型和用正 向和反向工程结合的方法构建人类转录因子和microRNA调控网络的数学模型 这三类方法基于不同的原理 使用不同来源和类型的数据 分别预测出了 microRNA的靶基因 实验结果说明三种预测方法都是有效可信的 2 学位论文 华友佳 microRNA芯片相关研究及microRNA功能预测 2008 microRNA miRNA 是现今生物学研究的热门方向 涉及到肿瘤 发育 免疫凋亡等多个领域 miRNA芯片是检测miRNA最重要的高通量手段 但是在标 准化等过程的方法学上还存在一些问题 miRNA两种功能的机制正在初步阐明 但目前尚缺乏预测区分两者的方法 本文基于miRNA表达的信号检 测原理 构建了miRNA寡核苷酸芯片实验平台 并在建立整套实验操作流程的同时 完善了芯片杂交的若干关键实验条件 如杂交时间 杂交温度 总 RNA上样量和mRNA对芯片的影响等 通过量化比较各种标准化方法 来确立最适于处理miRNA芯片的方法 利用大鼠14个正常组织的miRNA表达谱数据 进 行组织分类 特异性miRNA的识别 miRNA靶基因功能通路富集 miRNA家族保守性等方面的分析 使用机器学习的方法 通过对己知功能的miRNA靶位点 特征的训练 对未知功能的miRNA靶位点进行功能学上的预测分类 本研究使用两套miRNA芯片数据集 衡量15种标准化方法处理的效果 确定 print tip loess是对于miRNA芯片最优的标准化方法 miRNA表达谱可以正确地区分神经组织和非神经组织 识别了26个神经组织特异性表达的 miRNA 其中有7个是单个神经组织特异性的 这26个miRNA共预测出3282个靶基因 这些靶基因分别被注释到GO功能和KEGG通路上 在机器学习预 测miRNA功能的部分 通过设计好的特征在训练集上的学习过程 发现采用 多层感知 分类器和 信息增益 特征选择策略 在10个特征的水平上的训 练效果最好 使用这套方法总共预测出了17767个抑制功能的靶位点和2501个降解功能的靶位点 并通过6个miRNA在细胞内的过表达 细胞转染 实验 来 检测下游预测靶基因BCL2的表达变化 以验证机器学习预测方法的可靠性 实验与预测相符的占50 3 期刊论文 赵东宇 王岩 罗迪 周春光 梁艳春 ZHAO Dong yu WANG Yan LUO Di ZHOU Chun guang LIANG Yan chun 生物信息学中的MicroRNA预测研究 吉林大学学报 信息科学版 2008 26 3 为microRNA预测的研究提供参考 讨论了生物信息学中有关MicroRNA预测研究的若干问题 根据最新的研究成果 由MicroRNA预测的特征信息和数据源 从结构序列分析方法 比较基因组方法和机器学习方法等方面对MicroRNA预测的生物信息学方法做了回顾和展望 指出了该领域研究的趋势 通过对3类 方法的比较结果表明 采用机器学习方法的效果更优越 能较精确地预测出MicroRNA 4 学位论文 周学 昆虫Piwi蛋白及microRNA的生物信息学预测与进化分析 2008 Piwi蛋白是Argonaute蛋白家族的一个亚家族 它通过与一类跟精子发生有关的小RNA的相互作用来调控基因的表达 Piwi蛋白参与干细胞的自我调 控及精子的发生 对Piwi蛋白的研究有利于我们阐明该蛋白的生物学功能 也能促进对piRNA Piwi interacting RNA 的了解 我们利用生物信息学同源 搜索的方法在昆虫基因组中搜索piwi的同源基因 利用EST延伸技术以及最新版本的GENSCAN软件预测基因的结构 进一步拼接出基因的全长或部分 cDNA序列 通过比较基因结构 我们发现脊椎动物和无脊椎动物中的Piwi蛋白的外显子数目之间存在差异 哺乳动物的piwi基因含有20个外显子 而昆 虫只有6 9个 我们推测Piwi蛋白在进化过程中可能发生了内含子丢失或获得的事件 在所有预测的Piwi 1ike蛋白中都发现了两个特征性的结构域 PAZ和PIWI结构域 使用MEME软件预测蛋白结构 结果获得了6个保守的基序 Motif 这些基序中包含了一个三联体的催化位点 Asp Asp His Lys 这个催化位点是Piwi蛋白行使剪切活性时所必需的 通过RT PCR实验我们进一步验证了家蚕中siwi1和siwi2蛋白的表达 最后 对Piwi蛋白 家族做了系统进化分析 进化树结果显示无脊椎动物中的Piwi同源蛋白可以分为三个枝 其中昆虫的Ago3蛋白与哺乳动物Piwi蛋白位于相邻进化枝上 刚刚测序结束的11种果蝇的基因组为我们进一步分析Piwi蛋白以及比较相近物种之间的进化关系提供了很好的材料 果蝇Piwi蛋白家族可分为三类 piwi Aub以及Ago3 它们因参与一类跟精子发生有关的小RNA的通路而引起广泛的关注 我们在之前研究工作的基础上进一步分析了11种果蝇基因组 中的Piwi蛋白 结果获得了33个piwi的同源基因 并且发现果蝇的piwi和Aub基因在基因组上相距20kb以内 利用最新版本的GENSCAN软件预测基因结构 结果获得了22个全长的cDNA序列 而在我们之前的工作中只拼接出6个完整的ORF 这22个全长的基因主要集中在piwi和Aub基因 而Ago3基因因含有较 长的内含子导致很难拼接出全长序列 基因结构比较发现 piwi 1284bp 和Aub 840bp 基因的第一个内含子的长度明显大于剩余的其它内含子的长度 piwi平均为93bp和Aub平均为54bp 而这种现象在哺乳动物中没有发现 另外发现Ago3基因的内含子和外显子中分布着大量的重复序列 其中有四个果 蝇的第三个内含子中由于长末端重复序列 LTR 的插入而显示出很强的保守性 进化分析的结果跟之前研究工作的结论一致 昆虫的Ago3基因与哺乳动物 的piwi基因在进化树上位于相邻的进化枝中 MicroRNAs miRNAs 是一类长度约22m的内源性的非编码小RNA 它通过与Argonaute蛋白家族中的 AGO亚家族结合去调控基因的表达 降解mRNA或抑制翻译 从家蚕的卵 幼虫 蛹和成虫四个龄期提取总的RNA并利用sequence by synthesis SBS 的方 法进行测序 本文利用生物信息学的方法和计算机编程的技术从家蚕的SBS数据中预测microRNA基因 从家蚕四个时期样本中总计测序得到了 2 227 930个序列 其中1 144 485分布于17到25nt范围内 得到相应的256 604单一序列 有95 184序列完全匹配到家蚕的基因组中 利用生物信 息学流程以及RNAfold软件和TripletSVM算法 我们初步得到了3 750个可能的microRNA 利用microRNA芯片 我们验证有354个mieroRNA是真实存在 基 因组定位分析发现 Scaffold001808上连续分布了19个成簇分布的microRNA EST表达分析暗示着这些microRNA是表达的 家蚕不同发育阶段的 microRNA表达谱分析 发现有106个microRNA在家蚕发育中广泛表达 248个microRNA是在卵和蛹高表达的 这暗示microRNA在昆虫的胚胎和变态发育中 起着重要作用 通过RT PCR实验 进一步验证了我们预测结果的可靠性 此外我们对人 小鼠 线虫和已经公布基因组的几种昆虫进行同源比对 发现 有很多microRNA都是昆虫特有的 利用这些microRNA信息对完全变态的昆虫进行聚类分析 其结果与经典的分类学亲缘关系相似 说明microRNA是研究 亲缘关系及物种进化的有力武器 5 学位论文 颜兴起 MicroRNA功能的生物信息学分析及相关平台的建立 2008 miRNA microR