本文選題：MicroRNAs + 疾病��； 參考：《哈爾濱工業(yè)大學》2017年碩士論文

【摘要】：MicroRNAs(mi RNAs)是一類很小的內(nèi)源性非編碼RNA,長度約為20-24個核苷酸,其通過堿基配對與靶m RNA的3′端非編碼區(qū)相結(jié)合,導致靶mRNA的降解或翻譯抑制,從而在轉(zhuǎn)錄后水平上調(diào)控基因表達。越來越多的研究表明,mi RNA在多種生物過程中起著重要的作用。mi RNA突變及其功能失調(diào)可能會導致各種疾病。因此,識別mi RNA與疾病之間的調(diào)控關(guān)系至關(guān)重要,進而成為近年來的一個研究熱點。早期研究采用生物實驗的方法,確定單一因素對實驗結(jié)果的影響,獲得的結(jié)果準確度較高。然而實驗方法存在周期長、成本高的弊端,科研工作者致力于尋找更高效的計算方法解決該問題。因此,探究mi RNA-疾病關(guān)聯(lián)關(guān)系至關(guān)重要。當前的計算方法主要分為兩大類:(1)基于相似度度量的方法,(2)基于機器學習的方法。前者通過度量網(wǎng)絡中節(jié)點之間的關(guān)聯(lián)強度預測mi RNA-疾病關(guān)聯(lián),但該類方法需要構(gòu)建高“質(zhì)量”的生物網(wǎng)絡模型;后者將機器學習相關(guān)算法應用到這個問題中,但這類方法需要構(gòu)建高可信度的負例集合�；谏鲜龇椒ù嬖诘睦щy和不足,本文提出兩種新的計算模型Thr RW及BNPDCMDA,用于預測mi RNAs-疾病關(guān)聯(lián)關(guān)系。前者將基因引入該問題中,充分利用基因、mi RNAs和疾病自身的相似關(guān)系及三者之間的關(guān)聯(lián)關(guān)系,構(gòu)建非平衡的隨機游走模型,預測與疾病有關(guān)聯(lián)關(guān)系的mi RNAs;后者首先利用mi RNAs的功能相似度對其進行基于密度的聚類,其次結(jié)合mi RNA的聚類結(jié)果和疾病集合構(gòu)建mi RNA-疾病雙層子網(wǎng),然后將二分網(wǎng)絡投影應用于上述網(wǎng)絡中,最終完成對mi RNA與疾病關(guān)聯(lián)關(guān)系的預測。為了驗證兩種計算模型的有效性,本文選擇留一交叉驗證法與其它高效方法進行比較。實驗結(jié)果表明:Thr RW與BNPDCMDA得到的AUC值分別可達86.24%、99.08%,明顯優(yōu)于當前其它方法。除此之外,本文還對某些常見疾病(如乳腺癌、肺癌)所關(guān)聯(lián)的mi RNAs進行預測。實驗結(jié)果表明,兩種方法的預測結(jié)果均獲得文獻支持,從而進一步表明Thr RW與BNPDCMDA的有效性。
[Abstract]:MicroRNAs(mi RNas are a kind of small endogenous non-coding RNAs with a length of about 20-24 nucleotides. They bind to the 3 '-terminal noncoding region of the target m RNA by base pairing, leading to the degradation or translation inhibition of the target mRNA, thus regulating gene expression at the post-transcriptional level. More and more studies have shown that RNA plays an important role in many biological processes. Mi RNA mutation and its dysfunction may lead to various diseases. Therefore, it is very important to recognize the regulatory relationship between mi RNA and disease, which has become a hot topic in recent years The effect of a single factor on the experimental results was determined by biological experiments in the early stage, and the accuracy of the obtained results was high. However, experimental methods have the disadvantages of long period and high cost. Researchers are committed to finding more efficient calculation methods to solve this problem. Therefore, it is important to explore the mi RNA-disease association. The current computing methods are divided into two categories: one is based on similarity measure and the other is based on machine learning. The former predicts the miRNA-disease association by measuring the association strength between nodes in the network, but this kind of method needs to construct a "high quality" biological network model; the latter applies the machine learning correlation algorithm to this problem. However, such methods need to build a set of negative cases with high credibility. Based on the difficulties and shortcomings of the above methods, two new computational models, Thr RW and BNPDCMDA, are proposed to predict the mi RNAs-disease association. The former introduces gene into this problem, and makes full use of the similar relationship between gene RNAs and disease itself and the relationship between them to construct a non-equilibrium random walk model. The latter uses the functional similarity of mi RNAs to cluster it based on density, and then combines the clustering results of mi RNA and the disease set to construct a double layer subnet of mi RNA-disease. Then the bipartite network projection is applied to the above mentioned networks, and the prediction of the association between mi RNA and disease is finally completed. In order to verify the validity of the two computational models, this paper chooses a cross-validation method to compare with other efficient methods. The experimental results show that the AUC values obtained by the BNPDCMDA and the THR RW are 86.24 and 99.08, respectively, which are obviously superior to the other methods. In addition, we predicted the mi RNAs associated with some common diseases, such as breast cancer and lung cancer. The experimental results show that the predicted results of the two methods are supported by literature, which further demonstrates the effectiveness of Thr RW and BNPDCMDA.
【學位授予單位】：哈爾濱工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：R3416;TP181

【相似文獻】

相關(guān)期刊論文 前10條

1 劉梅;賀平;羅志華;蘭英;陳念永;;MiRNA與腫瘤[J];西部醫(yī)學;2012年05期

2 俞秀沖;宋皓軍;郭俊明;;MiRNA影響胃癌轉(zhuǎn)移的機制[J];中國生物化學與分子生物學報;2011年10期

3 楊葉猗;孫林;;MiRNA調(diào)節(jié)線粒體功能及其意義[J];國際病理科學與臨床雜志;2011年03期

4 廖煥云;唐圣松;;MiRNA調(diào)控腫瘤細胞中P-gp表達的研究進展[J];臨床與病理雜志;2014年01期

5 胡婷婷;董玲;張丹瑛;;microRNAs與原發(fā)性肝細胞肝癌相關(guān)性的研究進展[J];中國臨床醫(yī)學;2013年04期

6 張昌明;張婉芬;劉春蓓;曾科;劉志紅;;循環(huán)microRNAs與局灶節(jié)段性腎小球硬化患者疾病活動的關(guān)系[J];腎臟病與透析腎移植雜志;2013年04期

7 魏麗萍;許振坤;姚朱華;;MicroRNAs在冠狀動脈粥樣硬化性心臟病中的作用及研究進展[J];醫(yī)學綜述;2011年16期

8 任景怡;許寧;韓冠平;陳紅;;microRNAs參與動脈粥樣硬化疾病的發(fā)生[J];中國生物化學與分子生物學報;2011年06期

9 丁婧;孟雁;;microRNAs與糖尿病[J];中國糖尿病雜志;2010年07期

10 徐莎;劉厚奇;;MicroRNAs與信號轉(zhuǎn)導及轉(zhuǎn)錄激活因子[J];第二軍醫(yī)大學學報;2013年04期

相關(guān)會議論文 前3條

1 王蕓;陶筱川;呂應堂;;水稻MicroRNAs在水稻發(fā)育過程中的功能研究[A];湖北省植物生理學會第十五次學術(shù)研討會論文集[C];2007年

2 周寧;陳寶元;曹潔;湯華;劉民;鄧園;王彥;;microRNAs在阻塞性睡眠呼吸暫停低通氣綜合征患者血清中的表達及意義[A];中華醫(yī)學會呼吸病學年會——2013第十四次全國呼吸病學學術(shù)會議論文匯編[C];2013年

3 韋暉;王成;范鈺;許琪;張辰宇;沈巖;;偏執(zhí)型精神分裂癥血漿microRNAs表達譜的篩查[A];第七屆全國醫(yī)學生物化學與分子生物學和第四屆全國臨床應用生物化學與分子生物學聯(lián)合學術(shù)研討會暨醫(yī)學生化分會會員代表大會論文集[C];2011年

相關(guān)博士學位論文 前10條

1 歐陽偉;雞體抗傳染性法氏囊病病毒天然免疫基因的miRNA調(diào)控機制[D];南京農(nóng)業(yè)大學;2016年

2 王艷麗;飛蝗miRNA的合成及對表皮代謝相關(guān)基因的調(diào)控機制研究[D];山西大學;2017年

3 孫小川;應用生物組學分析鑒定蘿卜鹽脅迫響應相關(guān)基因與miRNA[D];南京農(nóng)業(yè)大學;2016年

4 謝水華;長白豬和藍塘豬肌肉發(fā)育差異miRNA和mRNA表達譜的整合分析[D];中山大學;2017年

5 程爽;miRNA靶基因預測及其功能識別算法研究[D];哈爾濱工業(yè)大學;2016年

6 張桂山;遼寧絨山羊與乾華肉用美利奴羊皮膚毛囊miRNA篩選及靶基因驗證[D];吉林農(nóng)業(yè)大學;2016年

7 李華南;大白豬和清平豬分娩啟動過程中miRNA表達分析和miR-144功能研究[D];華中農(nóng)業(yè)大學;2017年

8 于志強;REV感染對SPF雛雞miRNA及其靶基因mRNA表達的影響[D];東北農(nóng)業(yè)大學;2017年

9 鄧凱英;復雜網(wǎng)絡搜索策略及相關(guān)模型的數(shù)值方法[D];東北師范大學;2015年

10 詹蕓;MicroRNAs在乳腺癌侵襲轉(zhuǎn)移過程中的功能與機制研究[D];北京協(xié)和醫(yī)學院;2015年

相關(guān)碩士學位論文 前10條

1 王詩鳴;MiRNA-疾病關(guān)聯(lián)關(guān)系算法研究[D];哈爾濱工業(yè)大學;2017年

2 崔銘萱;妊娠期血脂水平的相關(guān)基因多態(tài)性研究及含不同miRNA結(jié)合位點基因序列的質(zhì)粒構(gòu)建[D];北京協(xié)和醫(yī)學院;2017年

3 楊攀;非小細胞肺癌尿液游離miRNA液態(tài)活檢及其臨床意義[D];寧波大學;2017年

4 付蓉;玉米自交系鹽脅迫響應miRNA及其靶基因的鑒定研究[D];南通大學;2016年

5 張雅娜;MiRNA機制相關(guān)蛋白在不同類型慢性鼻-鼻竇炎中的表達[D];華中科技大學;2011年

6 陳俊;Ⅱ-Ⅲ期胸中段食管鱗癌放化療敏感性相關(guān)血清miRNA的篩選[D];山西醫(yī)科大學;2017年

7 楊琳;啞鈴型探針滾環(huán)擴增檢測miRNA及新型卟啉化合物的合成與性質(zhì)[D];天津大學;2016年

8 周淵;EZH2基因和MiRNA網(wǎng)絡基因單核苷酸多態(tài)性與胃癌風險性研究[D];安徽醫(yī)科大學;2012年

9 張通;水飛薊的基源鑒定與質(zhì)量評價及其miRNA的分析[D];浙江理工大學;2017年

10 陳晨;電離輻射誘發(fā)miRNA表達譜改變及EGCG輻射防護分子機制的初步研究[D];鄭州大學;2017年

，

本文編號：1957028