基于转录组的非编码RNA分类和预测算法的研究

非编码RNA（ncRNA）包含几十种不翻译成蛋白质且有重要功能的RNA分子。高通量转录组测序可以获得数百万ncRNA序列，但现有算法仅可以对其中的30%甚至更少进行分类和预测。本项目以转录组数据为背景和应用对象，在去除噪音序列和未鉴定的蛋白质的编码序列的基础上，使用秩和检验和Relif等方法，提取有分类力的二级结构、自由能、字串频率和语义关系特征，再利用fRNAdb数据库中的各类ncRNA数据训练出高精度的多分类器，进而开发出在线分析的软件。用该软件分析飞蝗转录组，并用实验验证新发现的ncRNA,以加深对飞蝗调控机制的认识，为控制飞蝗的型变、迁飞和生殖提供理论基础。本项目获得的新算法是基于各类ncRNA之间的显著性差异来分类的，比联配方法更具一般性，能广泛用于各个物种。软件给出的ncRNA高精度分类与预测结果，对ncRNA功能，调控网络和表观遗传学的研究有重要的理论意义和应用价值。

到目前为止，本项目组共发表了15篇标注了本项目编号的文章，其中中文核心3篇，EI一篇，SCI论文11篇。（1）主持人作为第一和通信作者 的研究性论文“A Novel Algorithm for the Precise Calculation of the Maximal Information Coefficient”在Nature旗下期刊《Scientific Reports》上发表。 该论文对哈佛大学和麻省理工的教授Reshef, Lander等人于2011年发表在《Science》上的最大信息系数的计算方法ApproxMaxMI进行了全面改进，把精度从原来的30%提高到了99%。(2)主持人作为第一作者的ncRNA预测软件ncSOFT的文章投稿到在Nature旗下期刊《Scientific Reports》上（SREP-15-27142），已提交了revision稿件，很快就会接受了。我们提出的软件是目前预测ncRNA精度和覆盖度最好的软件.(3) 主持人作为第一作者的研究性EI论文利用感冒病毒的HA蛋白质序列就可以准确预测A型流感病毒，在理论和实践上意义都很大。(4) 主持人作为通信作者发表了研究性论文“基因组装配中存在重复序列叠加时重叠群计数的推广的Lander-waterman定理”，适用于基因组中有大量repeat存在时的contig计数。(5) 主持人作为共同作者，讨论了生物种群动力系统中常用的存在共振p-Laplacian 边值的问题中解的存在性定理。(6) 主持人发现一种图表示方法可以区分不同的ncRNA类，准确度较高。我们已经把这篇算法文章投稿到plos one，目前已经送审（PONE-S-15-69675）。本文中我们对18类ncRNA进行了近乎完美的分类，与其他8种算法比较，我们的算法最好。（7）主持人作为第一作者，和中科院康乐院士合作的文章 “Population intrinsic factors trigger the outbreaks of locust plagues based on long-term historical records”即将投稿PNAS。解决了飞蝗群体动力学的几个核心问题，可以用于蝗灾的预测中了。