python lncrna_lncRNA分析

目前人们对lncRNA认识还处在初级阶段，lncRNA起初被认为是基因组转录的“噪音”，是RNA聚合酶II转录的副产物，不具有生物学功能。然而大量研究表明，lncRNA在细胞核内、核外，通过染色质修饰，转录调控，转录后调控等多种方式调节基因表达，在肿瘤发生发展中具有重要作用。

一般来说，lncRNA功能研究的主线包含3个主要步骤：

(1)高通量筛选。全转录组测序和lncRNA芯片是目前最常用的技术手段，通过这种高通量的筛选方法，可以快速获得不同实验组间差异表达的lncRNA和mRNA。

(2)候选lncRNA的确定。通过生物信息学分析，从大量lncRNA 中筛选有潜在功能意义的lncRNA。

(3)目标lncRNA的功能分析与验证。根据上述生物信息分析推断出lncRNA可能的生物学功能，并设计相应的实验来验证假设是否成立。

编码能力预测以鉴别novel mRNA和lncRNA：

分别用CPC，CNCI，PfamScan三个软件来对novel transcript序列做编码能力预测

我们选取主流的三个预测软件官网：

鉴定标准如下：

CPC_threshold = 0，大于0的转录本为mRNA，小于0的为lncRNA

CNCI_threshold = 0，大于0的转录本为mRNA，小于0的为lncRNA

PfamScan：比对上Pfam蛋白数据库的为mRNA，没有比对上的为lncRNA

注意：1)cpc和PfamScan(  http://www.dxy.cn/bbs/thread/36426921#36426921  作者之前写过用法)需要先建立蛋白参考数据库，cpc可以下载Uniprot/swissprot蛋白序列

2)PfamScan输入的是蛋白序列，可以由cpc的预测结果得出。

预测完成之后选取三个软件的交集转录本作为novel coding和noncoding转录本

我们在筛选lncRNA的时候，取的是交集，这样筛选的结果会更加准确可靠。

很多LNCRNA因为命名不统一，所以网上查找起来很困难，有没有好用的数据库或者方法？

答： 主要是以NCBI为主，比较全面，便于查询。如果你主要关注人和小鼠的LncRNA的话，可以看看GENCODE，这个上面很全，经常更新，而且上面的命名NCBI也可以查询到。

其他物种的话，你可以看下Ensembl上面，他的注释gtf文件里面包含了所有的RNA，但是其中lncRNA比GENCODE要少一些。所有已知的LncRNA在NCBI上面都是可以查询的。NCBI，GENCODE，Ensembl这三个数据库的基因symbol基本一致。所以，如果是人和小鼠，你选择GENCODE比较好，如果是其他物种，就选择Ensembl吧

这篇文献主要介绍了lncScore，用python写的一个脚本,主要是依赖一个机器学习第三方库scikit-learn。它能够通过开放阅读框,外显子和最大编码子序列等11个特征参数对lncRNA进行筛选。为了加快lncScore的运行速度，主要采用多线程>分析，只需花费2分钟的时间就能够对64,756个转录本进行分类。

文章里用gencode数据库里的lncRNA数据做了验证

此工具与CPAT, CNCI 和 PLEK类似，我们的lncRNA流程里的编码潜能预测软件用的是CPC CNCI Pfam，貌似CPC也是这个团队开发的。