一种针对RNA-Seq数据的基因异构体表达水平计算方法.pdfVIP

32卷 4期 中 国 生 物 医 学 工 程 学 报 V01．32 NO．4 August 2013 2013年8月 ChineseJournalofBiomedicalEngineering 一 种针对 RNA—Seq数据的基因异构体表达水平计算方法 刘学军 李 蒙 张 礼 (南京航空航天大学计算机科学与技术学院，南京210016) 摘 要 ：RNA-Seq是基于高通量测序技术对转录组进行研究的实验技术 ，被大量用来进行基 因的选择性剪切研究。 针对 RNA—Seq数据 中读段对基 因异构体的多源映射以及读段在基因参考序列上呈非均匀分布的问题 ，基于文本数 据分析领域流的LDA(1atentdirichletallocation)模型，提出了一个新的基因异构体表达值计算方法 LDAseq。利用已 知的基因异构体注释信息对模型参数进行约束，解决读段对基因异构体的多源映射 问题 ；通过引入固定长度的 “探 针”将基因参考序列进行分段，解决读段在整个基因参考序列上呈非均匀分布的问题。将 LDAseq应用到一个小 鼠 数据集和一个人类乳腺癌数据集 ，并和 目前流行的方法 Cufflinks和 RSEM进行对 比。结果表明，所提出的LDAseq 方法相 比Cuffiinks和 RSEM准确率分别提高了75．5％和62．8％，从而获得了较为准确的基因异构体表达水平计算 结果。 关键词：RNA—Seq；异构体表达 ；多源映射；LDA；概率模型 中图分类号 R318 文献标志码 A 文章编号0258-8021(2013)04—0454·10 A Methodoflsoform ExpressionCalculationforRNA ·SeqData LIU Xue—Jun LIMeng ZHANG Li tCollegeofComputerScienceandTechnology NⅡ咄ngUniversityofAeronauticsandAstronautics，Nanjing210016，China Abstract：RNA—Seq isa new experimentaltechnique for trancriptomeresearch based on high-throughput sequencing．Itisincreasinglyusedintheresearchofalternativesplicingvariation．Therearetwodifficultiesin theanalysisofRNA—Seqdata．Oneisread—isoform multi-mapping，theotherisnon-uniofrm distributionofreads alongthegenereferencesequence．Thispaperproposedanew method，SOcalledLDAseq，tocalculateisoform expressionlevelbasedonLDA (LatentDirichletAllocation)commonlyusedtomodeltextcorpora．LDAseq utilized theknown gene-·isoform annotationtoconstrainthehyperparametersfordealingwithread-·isoform multi·· mapping．Tomodeling the non—uniform distribution ofreadsalongreference sequence，LDAseq introduced ‘‘