全 文 ：第27卷 第7期
2015年7月
生命科学
Chinese Bulletin of Life Sciences
Vol. 27, No. 7
Jul, 2015
文章编号：1004-0374(2015)07-0946-07
DOI: 10.13376/j.cbls/2015131
∙ 技术与应用 ∙
收稿日期：2015-01-06； 修回日期：2015-02-26
基金项目：浙江省自然科学基金项目(LQ13C060002)；
国家自然科学基金项目(31301084)；宁波大学王宽诚
教育基金
*通信作者：E-mail: liaoqi@nbu.edu.cn；Tel: 0574-
87609602
鉴定和预测长非编码RNAs的生物信息学方法
陈思佟1，岑　益2，柳建发1，李　洋1，廖　奇1*
(1 宁波大学医学院，宁波 315211；2 宁波市公安局鄞州分局，宁波 315100)
摘　要：越来越多的研究表明，长非编码 RNAs(long non-coding RNAs, lncRNAs)可以调节蛋白质编码基因
的表达、稳定性及亚细胞定位，参与众多重要的生物过程。由于 lncRNAs是一类新发现的非编码 RNAs，
挖掘各物种的 lncRNAs仍然是一个值得研究的问题。其中，利用生物信息学方法挖掘和鉴定 lncRNAs已经
成为当前生物信息学家研究的一个热点。现就基于生物信息学方法对 lncRNAs的鉴定研究作一综述，主要
内容分为两大类：基于测序和基于特征的计算机预测方法。基于测序又包括 EST测序、cDNA测序及二代
转录组 RNA测序；而基于特征的计算机预测则主要包含基于序列保守性、基于碱基排列顺序及基于表观
遗传修饰特征。通过以上几方面的论述，来阐明目前 lncRNAs鉴定方法的现状和进展。
关键词：长非编码 RNAs；鉴定；计算机预测，测序
中图分类号：Q522；Q612 文献标志码：A
Bioinformatics methods of identifying and predicting long noncoding RNAs
CHEN Si-Tong1, CEN Yi2, LIU Jian-Fa1, LI Yang1, LIAO Qi1*
(1 School of Medicine, Ningbo University, Ningbo 315211, China; 2 Yinzhou Branch of
Ningbo Public Security Bureau, Ningbo 315100, China)
Abstract: More and more researches show that long non-coding RNAs (lncRNAs) play an important role in a
number of biological processes through regulating the expression, stability and subcellular location of protein-
coding genes. As lncRNAs are a kind of ncRNAs recently found, identification of lncRNAs in each organism is an
emergency task. Among them, identification of lncRNAs using bioinformatics methods is a hot topic for
bioinformatists. In this review, we mainly summarize the bioinformatics approaches of lncRNAs identification and
prediction. The mothods are divided into two major parts: sequencing technology-based method and sequence
characters-based computational prediction method. Sequencing technology-based method includes EST sequencing,
cDNA sequencing and next-generation RNA-seq, while sequence characters-based computational prediction method
includes sequence conservation, nucleotide arrangement and epigenetics modifications. The review aids to clarify
the present status and progress of lncRNAs identification method.
Key words: long noncoding RNAs; identification; computational prediction; sequencing
真核生物的基因组由庞大的 DNA序列构成，
其中有 50%的 DNA可以转录成 RNA，但约有 5%
的 RNA负责翻译蛋白质，剩余的大概 95%则被称
为非编码 RNA (non-coding RNA, ncRNA)。ncRNA
即不编码蛋白质的 RNA，其种类繁多，按长度分
包含长非编码RNAs (long non-coding RNAs, lncRNAs)
以及 microRNA、siRNA和 piRNA等在内的小非编
码 RNAs。其中，lncRNAs是一类长度大于 200 nt，
特征与 mRNAs类似，如可变剪切、可带 Poly-A、
可加帽的 ncRNAs。近年来，由于 lncRNAs在众
陈思佟，等：鉴定和预测长非编码RNAs的生物信息学方法第7期 947
多生物过程中表现出对蛋白质编码基因的重要调节
作用，关于 lncRNAs的报道越来越多。lncRNAs通
过对关键蛋白质编码基因的多重调控机制，包括调
节蛋白质编码基因的表达、稳定性及亚细胞定位，
参与一些重要的生物过程，如维持剂量补偿、基因
组印记、mRNA加工、细胞分化和发育、疾病和癌
症等。有些与疾病相关的 lncRNAs甚至可以作为生
物标记用于疾病的诊断与预测 [1]，如人们发现有些
lncRNAs是非常灵敏和特异的肿瘤标记物，如前列
腺癌中的 DD3，肿瘤抑制基因 p15的反义链，能通
过调控 p15基因甲基化水平促进白血病的发生 [2]。
鉴于 lncRNAs的重要调节作用，lncRNAs的
鉴定也成了科学家们首要研究的问题。从 2003年
和 2005 年 FANTOM (Functional Annotation of the
Mouse)组织在鼠 cDNA大规模测序中发现大量
lncRNAs开始 [3-4]，lncRNAs的鉴定方法随着测序
技术的发展也不断更新和改进。目前，借助测序
技术已经在人、鼠等哺乳动物中发现了大量的
lncRNAs，不同的研究者也提出了各种鉴定 lncRNAs
的方法和流程。lnRNAs的鉴定方法主要分为两大
类，一类是基于测序技术，它包括早期的 cDNA文
库测序、EST片段测序以及目前发展盛行的二代转
录组 RNA-seq测序；另一类是基于特征的计算机预
测，它基于的特征主要包括序列特征、保守性和表
观遗传修饰位点特征。而有些鉴定流程结合测序和
计算机预测，结果更加可靠。本文就关于 lncRNAs
的鉴定方法上作一综述。
1　测序方法鉴定lncRNAs
1.1　基于EST鉴定lncRNAs
EST (expression sequence tag)称为表达序列标
签，是将具有 Poly-A的 RNAs反转录成 cDNA并
克隆到载体构成 cDNA文库后，随机选择 cDNA克
隆进行 5′端和 3′端单一次测序获得的短 cDNA部
分序列。由于之前对 lncRNAs认识的欠缺，科学家
们认为 cDNA只包含 mRNAs，因此，EST测序在
早期通常用于蛋白质编码基因的鉴定。然而，由于
lncRNAs序列特征与 mRNAs类似，可带 Poly-A、
可变剪切等，其实 cDNA中也包含一部分 lncRNAs。
因此，EST也可能是 lncRNAs的片段，即 EST测
序能够用于 lncRNAs的鉴定。
早在 2001年， EST序列就用于拟南芥 lncRNAs
的鉴定 [5]。2007年，Wen等 [6]同样利用 EST数据
在豆科植物苜蓿中挖掘了不具编码能力的 mRNA-
like ncRNAs，类似 mRNAs 的 ncRNAs，也就是
lncRNAs 。EST预测 lncRNAs的流程如下：(1)利
用 EST2Genome将 EST序列与基因组进行比对；(2)
去除与已知蛋白质编码基因 (或包括预测的蛋白编
码基因 )重叠较多 (如 10%以上 )的 EST序列；(3)
利用 GENEMARK.hmm[7]或其他软件预测基因；(4)
利用 EMBOSS软件中的 getORF或其他 ORF (open
reading frame，开放阅读框 )预测软件对转录本序
列进行 ORF预测，去除 ORF长度较长的转录本；(5)
利用 BLASTX软件将剩余转录本与 Swiss-Prot、
trEMBL和 GenBank等其他蛋白质数据库的蛋白
质序列进行比对，去除与蛋白质编码基因相似的
转录本。
2008年，Xue和 Li [8]提出另一种方法，在人
EST序列中鉴定出 100多条 ncRNAs。他们以 50 bp
作为窗口不重叠地扫描整个基因组，统计每个 50
bp窗口所覆盖的 EST数目，选择 EST数目大于 3
并且保守性达到一定程度 (Phastcons分值大于 0.8)[9]
的窗口作为种子序列，然后对这些种子序列进行电
子延伸，得到 contigs，进而除去与 ECgene软件注
释为可变剪切、可选转录起始或可选 Poly(A)位点
相重叠的转录本，除去 ORF长度较长 (超过 100
aa)且在基因上下游 2 000 nt内没被 promoter 2.0软
件预测有启动子的转录本。由于他们当时没有考虑
到 lncRNAs，因此，过滤掉了长度大于 1 500 nt的
转录本；如果要预测 lncRNAs，可改变长度的阈值，
如设置长度大于 200 nt即可。
尽管目前测序技术飞速发展，EST测序已经逐
渐退出舞台。然而，以往测序所得的 EST数据，仍
然保存在数据库中，对这些数据再利用和再分析，
从中挖掘有意义的信息是生物信息学家们的任务。
在没有对样本进行 cDNA或 RNA测序的时候，基
于 EST数据预测 lncRNAs仍然不失为一种较好的
方法，目前仍然在采用。如 2012年，Huang等 [10]
利用 EST序列在牛中挖掘出 449条 lncRNAs。但是，
EST只能检测到部分含 Poly-A的 lncRNAs，并且
EST只是基因的部分片段，全长序列需要进行 EST
片段拼接才能获得，有些甚至无法拼接，无法保证
lncRNAs的完整性。
1.2　cDNA测序方法鉴定lncRNAs
2003年，FANTOM组织对 RIKEN鼠全长 cDNA
进行测序，得到 60 770条转录本，经过筛选分析，
得到 4 280条 lncRNAs[3]。2004年，H-Invitational组
织对人的转录组 cDNA也进行大规模测序，发现
生命科学 第27卷948
了 21 037条转录本，其中 1 377条也被鉴定为
lncRNAs [11] 。2005年，FANTOM组织又再一次对
鼠的 cDNA进行大规模测序，检测出 102 281条转
录本，其中有 34 030条序列长度与 mRNA相当，
却没有明显的 ORF，并且也不与其他任何编码蛋白
质的 cDNA序列相似，这类转录也归为 lncRNAs[4]。
早期 cDNA技术测序的目的是为了鉴定编码蛋白质
的 mRNAs，然而，对测序片段经过分析筛选后却
发现一类不具蛋白质编码基因特性的 lncRNAs。
cDNA测序能够测得 lncRNAs序列的原因是 lncRNAs
具有与 mRNAs类似的序列特性，都有 Poly-A。在
cDNA测序技术中，首先要构建 cDNA文库，cDNA
文库的构建通常采用 Oligo(dT)作逆转录引物，且
保留长度较长 (如 400 bp以上 )的 cDNA。具有
Poly-A且长度较长的 RNAs过去均被认为是mRNAs，
其实有一部分是 lncRNAs，因此，cDNA测序可以
测得一部分 lncRNAs的序列。
由于 cDNA测序可以获得转录本全长序列，因
此，cDNA测序技术鉴定 lncRNAs的流程相对简单，
可以归纳为以下几个步骤：(1)利用 RepeatMasker
软件剔除具有重复、低复杂性的 cDNA序列；(2)
利用 BLASTN[12]或其他比对软件将剩余 cDNA序
列与基因组进行比对，根据一定的阈值 (如相似
度 >95%，覆盖率 >90%)选择与基因组匹配的
cDNA序列；(3)如果一个 cDNA序列对应多个基
因组区域，则通过其相似度、覆盖长度、外显子个
数等选择一个最好的基因组区域；(4)将与基因组
匹配的 cDNA序列与 Refseq mRNAs进行比对，选
取与 Refseq mRNAs不相似的 cDNA序列；(5)利
用 FASTY[13-14]和 BLASTX [12]预测剩余 cDNA序列
的 ORF，除去具有明显 ORF的 cDNAs。
正如 cDNA测序技术比 EST测序技术先进一
样，基于 cDNA测序鉴定 lncRNAs的准确度和精
度也要比基于 EST的方法高，在二代测序技术问世
之前，cDNA测序技术也是鉴定 lncRNAs较为可靠
的方法之一。
1.3　RNA-seq二代转录组测序技术鉴定lncRNAs
随着测序技术的发展，特别是二代转录组测序
(RNA-seq)技术的出现，越来越多的 lncRNAs在人
和其他物种的各个组织和细胞系中被发现。二代转
录组测序 (RNA-seq)技术是采用新一代的测序技术，
能够快速全面地检测特定物种的某个组织或细胞系
的几乎全部的转录本。lncRNAs的序列特征与mRNAs
类似，有些具有 Poly-A，有些则无。RNA-seq在样
品提取总 RNA后，有三种策略：(1)总 RNA去除
核糖体 RNA，以最大限度保留所有 lncRNAs；(2)
总 RNA去核糖体 RNA后再去除含 polyA的 RNA，
以去除大部分编码蛋白质序列；(3)提取 poly A+的
RNAs。由于既有 poly A+的 lncRNAs，也有 poly A–
的 lncRNAs，没特殊要求的情况下，第一种方法最
好。因此，对这些所提取的 RNAs进行 RNA-seq，
可以检测 lncRNAs序列以及它们的表达，利用测序
片段 (reads)及表达信息可以从头构建新的转录本，
通过对这些转录本进行分析筛选从而获得候选的
lncRNAs。该方法目前被广泛应用于人、鼠、寄生虫、
植物等各物种 lncRNAs的鉴定，已经在各物种的各
个组织和细胞系中找到了上万条 lncRNAs[15-18]。因
此，RNA-seq测序技术已经成为当前鉴定 lncRNAs
的主流方法。
RNA-seq测序技术鉴定 lncRNAs的流程可以
归纳如下： (1)首先，利用 cufflink 软件 [19]从 RNA-
seq的序列数据中构建转录本；(2)根据转录本的表
达情况，去除低表达的转录本 (认为是噪音所致 )；
(3)对高重复或低复杂的转录本进行过滤；(4)去除
基因组上与蛋白质编码基因正向重叠的转录本，剩
下的转录本包括内含子、基因间的 ncRNAs以及蛋
白质编码基因的反义链；(5)要求 lncRNAs 长度不
小于 200 nt；(6)利用 ORF Finder[20]或其他软件寻
找转录本的 ORF 区域，要求 lncRNAs的 ORF长度
不大于 300 nt；(7)利用 BLASTX[12]将剩下的转录
本与 UniProt-TrEMBL数据库 [21]的蛋白质序列进行
比对，去除那些具有相似性蛋白质 (匹配长度大于
30aa，E-value 小于 0.01)的转录本；(8)利用 ncRNA
预测软件如 CPC(coding potential calculator)[22]或其
他软件对剩下转录本进行过滤，得到更加可信的候
选 lncRNAs。
RNA-seq测序鉴定 lncRNAs的方法虽然成本
较高，并且不同的转录本构建方法会得到不同的转
录本，对于低表达的阈值确定同样也是有争议的话
题。然而，RNA-seq检测 lncRNAs的方法基于表达
的信息，对 lncRNAs起始、终止位点以及可变剪切
位点的界定均有较强的表达依据，结果较为可信，
是目前最为准确的方法之一。
2　计算机方法预测lncRNAs
目前，关于 lncRNAs的计算机预测主要基于
lncRNAs的序列特征，包括保守性、碱基排列以及
组蛋白修饰位点。
陈思佟，等：鉴定和预测长非编码RNAs的生物信息学方法第7期 949
2.1　基于序列保守性的计算机预测方法
lncRNAs尽管某些序列特征与 mRNAs类似，
如可被剪切、具有帽子与 Poly-A，长度与 mRNAs
相当等，但仍然具有自己独特的序列特征，其中最
重要的一点是，除了外显子及特殊的功能元件外，
lncRNAs序列不具保守性，变异程度较高。科学家
们利用这点，通过计算分析已知 mRNAs和 lncRNAs
的序列保守性，构建数学模型，从而对未知序列进
行预测。最经典的是 Lin 等 [23]提出的密码子替
换频率 (codon substitute frequence, CSF)方法，即利
用CSF打分对蛋白质编码基因和ncRNAs进行鉴定。
该方法在提出的时候主要用于区分果蝇的蛋白
质编码基因和 ncRNAs，后来被 Guttman等 [24]用于
区分小鼠的 lncRNAs和蛋白质编码基因。CSF的原
理基于 ncRNAs在人与其他同源物种的密码子替换
频率不一样的假设，利用该物种与其他物种的多重
比对数据，通过计算 (训练 )已知mRNAs和 ncRNAs
的密码子替换频率，得到 mRNAs和 ncRNAs的密
码子替换矩阵，分别记为 CSMa,b
C和 CSMa,b
N (a、b为
两个密码子，表示 a替换为 b)，则 CSMa,b
N/CSMa,b
C
即为 ncRNAs与 mRNAs密码子替换频率的比值。
由于多重比对中涉及多个物种，因此，每个物种都
能得到人与该物种的替换频率比值矩阵。对于一个
序列，首先可以获得该序列与其他物种的多重比对
数据，然后考察该序列的第一个 90 bp (30个密码子 )
长的序列，计算 30个密码子的替换频率比值之和，
得到一个 CSF分值。由于具有多个物种，该 90 bp
序列在每个物种中都对应一个 CSF值，取最大的
CSF值作为该段的 CSF分值。然后，窗口向前移动
3 bp (1个密码子 )，继续计算下一个 90 bp序列的
CSF分值，直到算完最后一段 90 bp的 CSF分值为
止，最终选取最大分值作为该序列的 CSF值。通过
以上的计算方法可以获得已知 mRNAs和 lncRNAs
的 CSF分值分布状况，可以发现mRNAs与 lncRNAs
的 CSF分值为两个截然不同的分布，选择一个阈值
作为两类 RNA的界限。对于未知的序列，可以通
过计算该序列的 CSF分值，从而判断该序列是否为
lncRNA。目前，利用 CSF分值判别 lncRNAs的算
法已开发成软件，名叫 PhyloCSF，可以通过网址
http://compbio.mit.edu/PhyloCSF进行访问，将源程
序下载在本地安装运行 [25]。PhyloCSF的敏感性为
90%，特异性仅为 63%；并且，PhyloCSF由于基于
多物种序列比对的特征，存在一定的缺陷，如有些
物种的序列保守性较差，即使是人类，在 8 195条
lncRNAs中，也仅有 993条在其他物种中具有同源
序列 [16]。此外，有些 lncRNAs在基因组上与蛋白
质编码基因相重叠，为蛋白质编码基因的正义链或
反义链转录本，这些转录本与其他物种的蛋白质编
码能比对上，因此，不能准确地判断为 lncRNAs，
并且由于多重比对运行时间较长，因此，PhyloCSF
软件运行的速度也较慢。
2.2　基于碱基序列特征的计算机预测方法
lncRNAs序列特征除了保守性差以外，还具有
其他特有的特征，其中最关键的是 lncRNAs通常不
具有 ORF。因此，最早对 lncRNAs进行鉴定的方
法为确定其序列有无包含较长的 ORF。ORF的预
测软件有很多，如 ORF-finder。此外，BLASTX通
过确定与已知蛋白质编码基因的序列相似性也可以
对转录本进行判定。由于一些 lncRNAs可以包含较
短的 ORF，并且有些蛋白质编码基因编码较短序列
的蛋白质，因此，仅仅依赖 ORF不能准确地预测
lncRNAs，但由于 ORF的重要性，后续的方法中
ORF仍然作为其中的一个重要特征。
由于 lncRNAs不编码蛋白质，其碱基排列也
与 mRNAs有所不同，结合多种序列特征，构建
分类器，同样也能对 lncRNAs进行预测，如 CPC
(Coding Potential Calculator)由 Kong等 [22]开发，是
一个基于转录本序列特征的 SVM 分类器。他们
利用 6 个基本的序列特征：由 ORF 预测软件
framefinder计算出来的 (1)LOG-ODDS SCORE和 (2)
COVERAGE OF THE PREDICTED ORF，这两个特
征为 ORF的指标，值越高，ORF质量越好；第三
个也是关于 ORF的特征，为 (3)INTEGRITY OF THE
PREDICTED ORF，表示 ORF是否以起始密码子开
始，终止密码子结束；第四个为 (4)NUMBER OF
HITS，即基于 BLASTX软件在 UniProt参考序列数
据库中比对寻找到的相似序列 (阈值为 E-值小于
1e-10)的数目；此外，比对结果中所有序列的 E值
进行负 Log化，求其均值，并对 3种编码形式的序
列得到的负 Log(E-value)平均值再求均值，作为第
五个特征，称为 (5)HIT SCORE；最后，将 3种编
码形式的负 Log(E-value)平均值的方差作为第六个
特征，称为 (6)FRAME SCORE，其值越高，越有
可能是蛋白质编码基因。基于已知 mRNAs和
ncRNAs的这 6个序列特征，Kong等 [22]利用 SVM
机器学习方法构建 mRNAs以及 ncRNAs的分类器，
预测准确率高达 99%。CPC同样具有在线的网上服
务，研究者可以很方便地从网址 http://cpc.cbi.pku.
生命科学 第27卷950
edu.cn中对未知序列进行预测。然而 CPC的特异性
较低，仅为 74%，并且速度较慢。
CPC软件的运行速度较慢，如 CPC需要两天
的时间计算 Cabili等 [16]鉴定的 14 353个转录本的
编码能力。随后，Wang等 [26]开发的 CPAT (Coding-
Potential Assessment Tool)软件，不仅能够快速地对
lncRNAs进行鉴定，而且克服了序列比对造成的缺
陷。CPAT基于 4个序列特征，采用逻辑回归模型
对 lncRNAs进行鉴定。这 4个序列特征如下。(1)
最大 ORF长度。(2) ORF覆盖比例，即 ORF的长
度比上转录本的整长。(3)Fickett TESTCODE分数，
与核苷酸组成和密码子使用偏倚的组合有关。首先，
计算 4个核苷酸的位置值和组成值，位置值计算为：
A1、A2、A3的最大值与 A1、A2、A3的最小值加 1
的比值。其中 A1为核苷酸 A在序列 0、3、6…..的
个数；A2为核苷酸 A在序列 1、4、7…..的个数；
A3为核苷酸 A在序列 2、5、8…..的个数。组成值
即为每个核苷酸在序列的组成比例。将这 8个值转
化为编码的概率值 P，那么 Fickett分值为概率值 P
与权重 w乘积的累加和。(4)Hexamer分值，即邻近
氨基酸使用的偏好。首先利用已有的蛋白质编码基
因和 lncRNAs分别计算邻近密码子的使用频率 (分
别用 F(Hi)和 F’(Hi)代替 )；然后，计算两个频率
的 log比值，那么给定一条 DNA序列，Hexamer
分值为 F(Hi)和 F’(Hi)的 log比值的累加和的平均
值。基于以上 4个特征构建逻辑回归模型，对 ln-
cRNAs进行预测，敏感性可达 96%，特异性为 97%，
并且速度快，比 CPC和 CSF快 1万倍。该软件网址
为 http://lilab.research.bcm.edu/cpat/index.php。
另一个基于序列特征的预测软件为 Sun等 [27]开
发的 CNCI，网址为 http://www.bioinfo.org/software/
cnci。CNCI首先分别将 mRNAs与 lncRNAs的邻近
密码子 (ANT)替换频率进行统计，将两两邻近密码
子替换的频率之比的 log值用于构建 ANT分值矩
阵。对于每个转录本，按照6种编码框形式进行编码，
按照 ANT分值进行打分，在每条不同编码框序列
中选择具有最高分值的区域，而 6条序列中再进一
步选择最高分值的区域，作为最似 CDS序列 (most-
like CDS, MLCDS)，然后选取MLCDS的长度、分
值作为其中的 2个特征。此外，由于一条具有编码
蛋白质能力的转录本所选取的MLCDS会与其他 5
条编码框选择出来的MLCDS具有较大的不同，因
此，进一步选择长度比例 (所选MLCDS的长度与
所有 6条MLCDS长度之和的比值 )、分值距离 (所
选MLCDS的分值与其他 5条分值距离的平均值 )
作为另外 2个特征。最后选择单核苷酸的频率作为
最后 1个特征，共 5个特征，同样利用 SVM支持
向量机的学习方法，构建了 lncRNAs的分类器。
CNCI相比其他软件，更适合用于不完整序列及反
义链的预测，具有较高的性能。
2014年，Li等 [28]新开发了一个软件，叫做 PLEK
(predictor of long non-coding RNAs and messenger
RNAs based on an improved k-mer scheme)。该方法
基于改进的 k-mer频次，采用 SVM算法对 lncRNAs
进行预测。PLEK比较适用于高插入缺失率的序列，
如 454及 PacBio测序从头预测所得的转录本。此
外，PLEK的运行速度也较快，比 CNCI快 8倍，
比 CPC快 244倍，比 PhyloCSF快 1 421倍。该软
件的下载地址为 https://sourceforge.net/projects/plek/
files/。
此外，Fan等 [29]开发了 lncRNA-MFDL软件，
基于一系列特征包括 ORF、k-mer频次、二级结构
和编码蛋白质的功能域，采用深度学习的分类算法，
准确率高达 97.1%，并且也同样适用于多物种。该
软件的网址为 http://compgenomics.utsa.edu/lncRNA_
MDFL/。
2.3　基于表观遗传修饰特征的计算机预测方法
随着对 lncRNAs序列特征和功能的进一步研
究，科学家们发现 lncRNAs在组蛋白修饰特征上具
有一定的规律性，可用于 lncRNAs的鉴定。2009年，
Guttman等 [24]发现，H3K4me3和 H3K36me3这两
种组蛋白修饰是基因表达的特征，利用组蛋白修饰
图谱鉴定 lncRNAs，他们利用这两种组蛋白修饰特
征在鼠中基因间挖掘出 1 000多处 lncRNAs区域。
如果一个基因表达，那么在其启动子区域会富集
H3K4me3修饰，而在整个基因转录区域则富集
H3K36me3修饰，因此，通过在全基因组的基因间
区域上挖掘“K4-K36域”，可以获得可能的转录本。
对这些转录本的序列特性进行分析，发现超过
97.5%的 lncRNAs与蛋白质编码基因不相似，其外
显子的保守性比蛋白质编码基因低，但却比其他基
因间区域高，与已知 lncRNAs的保守性相似，并且
包含高保守的元件。此外，其启动子区域的保守性
也极高，并富含“CAGE标签”和 RNA PolII的结
合位点。利用 CPC非编码 RNAs预测软件发现这些
转录本编码蛋白质的能力极低，因此，推断这些
转录本为基因间的 lncRNAs，简称 lincRNAs (large
intergenic non-coding RNAs)。随后，利用“K4-K36域”
陈思佟，等：鉴定和预测长非编码RNAs的生物信息学方法第7期 951
特征在人中也找到了上千条 lincRNAs[30]。
基因的表观遗传修饰除了H3K4me3、H3K36me3
外，还有 H3K9me3、H3K27me3等组蛋白修饰，以
及 DNA甲基化修饰。lncRNAs的表观遗传修饰特
征是一个巨大的信息资源，其利用价值有待挖掘，
可以进一步组合各种修饰特征构建模型，提高预测
lncRNAs的准确性和精度。现将预测 lncRNAs的计
算机方法介绍如下 (表 1)
表1　预测lncRNAs的计算机方法
预测软件 特点 网上服务或软件下载地址
PhyloCSF 基于多个物种的多重比对数据，准确率较高，适用于多个物种，但 http://compbio.mit.edu/PhyloCSF
　计算量大，运行速度慢，并且不适用于不保守的物种及没有参考
　基因组的物种，并且特异性较低。
CPC 基于与已知蛋白质编码基因的相似性，运行速度虽然比PhyloCSF快， http://cpc.cbi.pku.edu.cn/
　但比其他软件慢，准确率高，适用于多物种， 但预测特异性较低。
CPAT 基于序列特征，不用进行序列比对，因此，运算速度快，准确率也 http://lilab.research.bcm.edu/cpat/
　较高。 index.php
CNCI 基于序列本身的特征，计算速度快，准确率高，对多物种均适用。 http://www.bioinfo.org/software/
　但不适用于插入缺失率较高的序列，如454或PacBio测序从头组装 cnci
　所得的序列。
PLEK 运行速度快，且对插入缺失的序列不敏感，比较适合于无参考基因 https://sourceforge.net/projects/
　组的序列。 plek/files/.
lncRNA-MFDL 结合二级结构和功能域特征，准确率高，适用于多个物种。 http://compgenomics.utsa.edu/
lncRNA_MDFL/
3　问题与展望
测序技术的发展给 lncRNAs的鉴定带来巨大
的推动，计算机预测方法的更新与改进也对
lncRNAs的研究起到重要的作用。但是，由于
lncRNAs其特殊的序列属性，与 mRNAs类似又不
完全相同，因此，lncRNAs的鉴定工作仍然面临着
挑战。通常，结合几种鉴定方法，如测序和计算机
预测方法来获取更加可信的候选 lncRNAs，比如
Liao等 [31]利用疟原虫的 RNA-seq数据，并结合
ORF过滤、与蛋白质编码基因的相似性过滤，以及
CPC软件预测，获得较为可靠的疟原虫 lncRNAs。
同时，也可以根据 lncRNAs的其他特征进行限制和
过滤，如表达水平。lncRNAs的表达水平虽然比蛋
白质编码基因低，但仍然有一定的表达。通过序列
或组蛋白修饰特征预测出来的 lncRNAs并不一定表
达，因此，可以通过检测其表达水平，筛选过滤获
得更加可信的 lncRNAs集合。比如，利用重注释的
芯片平台可以检测到一部分 lncRNAs的表达水平，
从而可以在某个组织和生物过程中鉴定 lncRNAs。
Mattick等 [32]就利用 Allen Brain Atlas (ABA)原位
杂交数据在小鼠大脑中鉴定了 800多条 lncRNAs。
此外，还利用定制的基因芯片在人和鼠的 CD8+ T
细胞中发现上千条 lncRNAs[33]。可见，lncRNAs的
鉴定方法是多样化的，一切有利于 lncRNAs鉴定的
特征均可以作为预测的依据，将来所面临的挑战是
寻找最具代表性的特征以及创造最具优化的模型。
[参　考　文　献]
[1] Lin R, Maeda S, Liu C, et al. A large noncoding RNA is a
marker for murine hepatocellular carcinomas and a spec-
trum of human carcinomas. Oncogene, 2007, 26(6): 851-8
[2] Yu W, Gius D, Onyango P, et al. Epigenetic silencing of
tumour suppressor gene p15 by its antisense RNA. Nature,
2008, 451(7175): 202-6
[3] Numata K, Kanai A, Saito R, et al. Identification of puta-
tive noncoding RNAs among the RIKEN mouse full-
length cDNA collection. Genome Res, 2003, 13(6B):
1301-6
[4] Carninci P, Kasukawa T, Katayama S, et al. The transcrip-
tional landscape of the mammalian genome. Science,
2005, 309(5740): 1559-63
[5] MacIntosh GC, Wilkerson C, Green PJ. Identification and
analysis of Arabidopsis expressed sequence tags charac-
teristic of non-coding RNAs. Plant Physiol, 2001, 127(3):
765-76
[6] Wen J, Parker BJ, Weiller GF. In Silico identification and
characterization of mRNA-like noncoding transcripts in
Medicago truncatula. In Silico Biol, 2007, 7(4-5): 485-505
[7] Borodovsky M, Lomsadze A, Ivanov N, et al. Eukaryotic
生命科学 第27卷952
gene prediction using GeneMark.hmm. Curr Protoc Bioin-
formatics, 2003, Chapter 4: Unit4 6
[8] Xue C, Li F. Finding noncoding RNA transcripts from low
abundance expressed sequence tags. Cell Res, 2008,
18(6): 695-700
[9] Nakaya HI, Amaral PP, Louro R, et al. Genome mapping
and expression analyses of human intronic noncoding
RNAs reveal tissue-specific patterns and enrichment in
genes related to regulation of transcription. Genome Biol,
2007, 8(3): R43
[10] Huang W, Long N, Khatib H. Genome-wide identification
and initial characterization of bovine long non-coding
RNAs from EST data. Anim Genet, 2012, 43(6): 674-82
[11] Imanishi T, Itoh T, Suzuki Y, et al. Integrative annotation
of 21,037 human genes validated by full-length cDNA
clones. PLoS Biol, 2004, 2(6): e162
[12] Altschul SF, Gish W, Miller W, et al. Basic local align-
ment search tool. J Mol Biol, 1990, 215(3): 403-10
[13] Pearson WR. Flexible sequence similarity searching with
the FASTA3 program package. Methods Mol Biol, 2000,
132: 185-219
[14] Mackey AJ, Haystead TA, Pearson WR. Getting more
from less: algorithms for rapid protein identification with
multiple short peptide sequences. Mol Cell Proteomics,
2002, 1(2): 139-47
[15] Chen G, Yin K, Shi L, et al. Comparative analysis of hu-
man protein-coding and noncoding RNAs between brain
and 10 mixed cell lines by RNA-Seq. PLoS One, 2011,
6(11): e28318
[16] Cabili MN, Trapnell C, Goff L, et al. Integrative annota-
tion of human large intergenic noncoding RNAs reveals
global properties and specific subclasses. Genes Dev,
2011, 25(18): 1915-27
[17] Pauli A, Valen E, Lin MF, et al. Systematic identification
of long noncoding RNAs expressed during zebrafish em-
bryogenesis. Genome Res, 2012, 22(3): 577-91
[18] Prensner JR, Iyer MK, Balbin OA, et al. Transcriptome
sequencing across a prostate cancer cohort identifies
PCAT-1, an unannotated lincRNA implicated in disease
progression. Nat Biotechnol, 2011, 29(8): 742-9
[19] Trapnell C, Williams BA, Pertea G, et al. Transcript as-
sembly and quantification by RNA-Seq reveals unannotat-
ed transcripts and isoform switching during cell differenti-
ation. Nat Biotechnol, 2010, 28(5): 511-5
[20] Rombel IT, Sykes KF, Rayner S, et al. ORF-FINDER: a
vector for high-throughput gene identification. Gene,
2002, 282(1-2): 33-41
[21] UniProt Consortium. Activities at the Universal Protein
Resource (UniProt). Nucleic Acids Res, 2014, 42(Data-
base issue): D191-8
[22] Kong L, Zhang Y, Ye ZQ, et al. CPC: assess the pro-
tein-coding potential of transcripts using sequence features
and support vector machine. Nucleic Acids Res, 2007,
35(Web Server issue): W345-9
[23] Lin MF, Carlson JW, Crosby MA, et al. Revisiting the
protein-coding gene catalog of Drosophila melanogaster
using 12 fly genomes. Genome Res, 2007, 17(12): 1823-
36
[24] Guttman M, Amit I, Garber M, et al. Chromatin signature
reveals over a thousand highly conserved large non-cod-
ing RNAs in mammals. Nature, 2009, 458(7235): 223-7
[25] Lin MF, Jungreis I, Kellis M. PhyloCSF: a comparative
genomics method to distinguish protein coding and
non-coding regions. Bioinformatics, 2011, 27(13): i275-
82
[26] Wang L, Park HJ, Dasari S, et al. CPAT: Coding-Potential
Assessment Tool using an alignment-free logistic regres-
sion model. Nucleic Acids Res, 2013, 41(6): e74
[27] Sun L, Luo H, Bu D, et al. Utilizing sequence intrinsic
composition to classify protein-coding and long non-cod-
ing transcripts. Nucleic Acids Res, 2013, 41(17): e166
[28] Li A, Zhang J, Zhou Z. PLEK: a tool for predicting long
non-coding RNAs and messenger RNAs based on an im-
proved k-mer scheme. BMC Bioinformatics, 2014, 15:
311
[29] Fan XN, Zhang SW. lncRNA-MFDL: identification of hu-
man long non-coding RNAs by fusing multiple features
and using deep learning. Mol Biosyst, 2015, 11(3): 892-7
[30] Khalil AM, Guttman M, Huarte M, et al. Many human
large intergenic noncoding RNAs associate with chroma-
tin-modifying complexes and affect gene expression. Proc
Natl Acad Sci USA, 2009, 106(28): 11667-72
[31] Liao Q, Shen J, Liu J, et al. Genome-wide identification
and functional annotation of Plasmodium falciparum long
noncoding RNAs from RNA-seq data. Parasitol Res,
2014, 113(4): 1269-81
[32] Mercer TR, Dinger ME, Sunkin SM, et al. Specific ex-
pression of long noncoding RNAs in the mouse brain.
Proc Natl Acad Sci USA, 2008, 105(2): 716-21
[33] Pang KC, Dinger ME, Mercer TR, et al. Genome-wide
identification of long noncoding RNAs in CD8+ T cells. J
Immunol, 2009, 182(12): 7738-48