1、長鏈非編碼RNA與疾病關(guān)聯(lián)關(guān)系的預(yù)測方法研究摘 要：隨著高通量測序技術(shù)與計(jì)算機(jī)技術(shù)的高速發(fā)展,越來越多的研究表明IncRNA與多種人類疾病密切相關(guān)，兩者間的 關(guān)聯(lián)成為了新的研究熱點(diǎn)。本文簡要概述了一些可供預(yù)測和驗(yàn)證使用的公共數(shù)據(jù)庫，以及近幾年來開發(fā)的預(yù)測IncRNA-疾 病關(guān)聯(lián)的算法與工具,分析了這些算法與工具共同存在的問題，并討論了未來的發(fā)展方向。關(guān)鍵詞：IncRNA-疾病關(guān)聯(lián)；數(shù)據(jù)庫；算法Research on the prediction method of the associationbetween long-chain non-coding RNA and diseaseAbstr

2、act 】With the rapid development of high - throughput sequencing technology and computer technology, more and more studies have shown that IncRNA is closely related to various human diseases, and the relationship between the two has become a new research hotspot. This article briefly outlines some pu

3、blic databases that can be used for prediction and verification, as well as algorithms and tools for predicting lncRNA-disease associations developed in recent years, analyzes the common problems of these algo rithm s and tools，and then discusses the future development direction.Key words 】lncRN A -

4、disease association; database; algorithmo引言非編碼 RNA( Non-coding RNA,ncRNA)，即不 參與編碼蛋白質(zhì)的RNA。近年來，信息技術(shù)與高通 量測序技術(shù)飛速發(fā)展,研究人員發(fā)現(xiàn)那些曾經(jīng)被認(rèn) 為是轉(zhuǎn)錄噪聲的ncRNA在許多生物學(xué)進(jìn)程中發(fā)揮 著相當(dāng)大的作用。其中，因具有重要調(diào)控功能且 幾乎參與到了各種生物學(xué)過程、與各種疾病的發(fā)生 發(fā)展關(guān)聯(lián)緊密的長鏈非編碼RNA( long noncoding RNAs,lncRNA)成為了近幾年的研究熱點(diǎn)。 lncRNA，即長度大于200核苷酸的非編碼RNA。 與編碼RNA相比，人類基因中l(wèi)ncRNA數(shù)量更

5、多。 現(xiàn)階段，只有少數(shù)的lncRNA功能及其與疾病間關(guān) 系較為明確,因而值得進(jìn)行深入研究。相較于傳統(tǒng)的生物實(shí)驗(yàn)加臨床實(shí)驗(yàn)的方法，開 發(fā)有效的算法能夠節(jié)省大量的時(shí)間和精力，以達(dá)到 快速準(zhǔn)確預(yù)測關(guān)聯(lián)的目的。因此，近年來研究人員 已開發(fā)出了不少算法模型和工具以進(jìn)行l(wèi)ncRNA與 疾病的關(guān)聯(lián)預(yù)測。本文對近幾年提出的一些探尋疾病關(guān)聯(lián)的 lncRNA的算法、工具進(jìn)行了綜述，并對當(dāng)前出現(xiàn)的 問題和未來的研究方向進(jìn)行了討論。1相關(guān)數(shù)據(jù)庫隨著信息技術(shù)與高通量測序技術(shù)的飛速發(fā)展進(jìn) 步,生物學(xué)數(shù)據(jù)的數(shù)量呈現(xiàn)爆炸式增長，因此研究人 員建立了專門的數(shù)據(jù)庫以實(shí)現(xiàn)對數(shù)據(jù)的存儲(chǔ)和管理。 與此同時(shí)，還建立起了一些LncRNA對

6、人類疾病調(diào)控 數(shù)據(jù)進(jìn)行收集整理的數(shù)據(jù)庫，這為驗(yàn)證算法的預(yù)測結(jié) 果提供了較為直接的證據(jù)。本節(jié)將對一些常用的 LncRNA數(shù)據(jù)庫、疾病相關(guān)數(shù)據(jù)庫及l(fā)ncRNA調(diào)控人 類疾病關(guān)系數(shù)據(jù)庫三類公共數(shù)據(jù)庫進(jìn)行介紹。1.1與lncRNA相關(guān)的數(shù)據(jù)庫(1) NONCODEo NONCODE是專門針對非編 碼RNA(其中不包括tRNAs和rRNAs)所建立的。 包含有17個(gè)物種(人類、小鼠、擬南芥等)的非編碼 RNA相關(guān)數(shù)據(jù)。NONCODE數(shù)據(jù)庫可以對ncRNA 進(jìn)行注釋、評估編碼能力、提供位置信息、表達(dá)信息 和潛在功能以及共表達(dá)信息等。此外，NONCODE 數(shù)據(jù)庫還對先前的基因芯片數(shù)據(jù)進(jìn)行了重注釋，以 獲得更

7、多的IncRNA表達(dá)信息。LncRNome。LncRNome是一個(gè)收錄了 超 過18000條轉(zhuǎn)錄本信息的針對人類而構(gòu)建的數(shù)據(jù) 庫。數(shù)據(jù)庫提供有IncRNA的分類、染色體位置、二 級結(jié)構(gòu)、與其它數(shù)據(jù)庫相關(guān)聯(lián)信息、生物功能描述、 與疾病關(guān)聯(lián)的數(shù)據(jù)。同時(shí)提供IncRNA與蛋白質(zhì)互 作功能預(yù)測、SNP位點(diǎn)等信息。LncRNAdb。LncRNAdb是針對真核生物 所建立的IncRNA綜合數(shù)據(jù)庫。其中包含有特異的 序列結(jié)構(gòu)信息:轉(zhuǎn)錄本數(shù)據(jù)、基因組位置表達(dá)及相關(guān) 的功能、疾病等。1.2與疾病相關(guān)數(shù)據(jù)庫OMIMo OMIM囪的中文名為在線人類孟德 爾遺傳數(shù)據(jù)庫，是由美國約翰斯霍普金思大學(xué)醫(yī)學(xué) 院McKusic

8、k-Nathans遺傳醫(yī)學(xué)研究所維護(hù)的在線 人類基因和遺傳疾病數(shù)據(jù)庫。OMIM數(shù)據(jù)庫中包括 了現(xiàn)今已知的所有遺傳病和15000個(gè)以上的基因信 息,較側(cè)重疾病表型與其致病基因之間的關(guān)聯(lián)關(guān)系。MalaCards。MalaCards綜合了 72 個(gè)數(shù)據(jù) 庫信息的人類疾病數(shù)據(jù)庫。其中包含了疾病總概、 疾病間相互關(guān)系、所涉通路、基因表達(dá)差異等內(nèi)容。PUBMEDo PubMed0是由美國國家生物 技術(shù)信息中心(NCBI)開發(fā)的基于網(wǎng)路的綜合性質(zhì) 生物醫(yī)學(xué)信息檢索系統(tǒng),提供了與各種綜合分子生 物學(xué)數(shù)據(jù)庫的鏈接等資源服務(wù)。1.3 IncRNA調(diào)控人類疾病關(guān)系數(shù)據(jù)庫LncRNAdisease。LncRNADis

9、eas1-12是一- 個(gè)手動(dòng)收錄各種經(jīng)實(shí)驗(yàn)驗(yàn)證的與IncRNA相互作用 信息的數(shù)據(jù)庫，共收錄205959個(gè)IncRNA-疾病關(guān) 聯(lián)。LncRNADiseas通過對疾病的聚類和序列的保 守性(SNP的分布密度)來預(yù)測IncRNA與疾病的相 關(guān)性。與之前的版本相比:ncRNA-疾病關(guān)聯(lián)增強(qiáng)了 40倍;提供lncRNA、mRNA和miRNA之間的轉(zhuǎn)錄調(diào) 控關(guān)系；提供ncRNA、mRNA和miRNA之間的調(diào)控 關(guān)系;提供每個(gè)IncRNA疾病關(guān)聯(lián)的置信度得分。Lnc2Cancer。Lnc2Cancer3-14是從文獻(xiàn)中 收集整理與人類IncRNA相關(guān)癌癥信息的數(shù)據(jù)庫。 通過查閱6500多篇已發(fā)表文獻(xiàn)，目

10、前的Lnc2Cancer 版本共記錄了 4 989條1614個(gè)人類IncRNAs和165 個(gè)人類癌癥亞型之間的關(guān)聯(lián)。此外,數(shù)據(jù)庫提供了 癌癥相關(guān)IncRNAs的實(shí)驗(yàn)支持、耐藥性、預(yù)后，以及 受microRNA ( miRNA)、轉(zhuǎn)錄因子(TF)、變異和甲 基化調(diào)控的IncRNAs。(3) MNDR。MNDR15是哺乳動(dòng)物非編碼 RNA-疾病關(guān)系在線知識(shí)庫。該數(shù)據(jù)庫從文獻(xiàn)中整 理出實(shí)驗(yàn)支持的疾病相關(guān)的ncRNA，同時(shí)整合了 LncDisease、miRPD等數(shù)據(jù)庫資源。通過檢索系統(tǒng)， 即可以得到與疾病相關(guān)的ncRNA，共收集了超過 260000條ncRNA-疾病的關(guān)聯(lián)。比之前版本相比 較，ncR

11、NA-疾病關(guān)聯(lián)性增強(qiáng)了 220倍以上;整合來 自14種資源的實(shí)驗(yàn)和預(yù)測證據(jù)以及每個(gè)ncRNA- 疾病關(guān)聯(lián)性的預(yù)測算法；提供每個(gè)ncRNA-疾病關(guān) 聯(lián)的置信度得分;增加了 6種哺乳動(dòng)物的物種覆蓋 率。2算法與工具相較于傳統(tǒng)的生物實(shí)驗(yàn)加臨床實(shí)驗(yàn)的方法，開 發(fā)有效的算法和工具能夠節(jié)省大量的時(shí)間和精力， 以達(dá)到快速模擬預(yù)后與預(yù)測關(guān)聯(lián)的目的。本節(jié)簡要 概述了一些對IncRNA-疾病關(guān)聯(lián)進(jìn)行預(yù)測的計(jì)算方 法和工具。2.1基于機(jī)器學(xué)習(xí)的方法通常，基于機(jī)器學(xué)習(xí)的方法是使用已知的疾病 與IncRNA關(guān)聯(lián)來訓(xùn)練學(xué)習(xí)模型，然后運(yùn)用學(xué)習(xí)后 的模型來對新的關(guān)聯(lián)進(jìn)行預(yù)測。這類方法在綜合了 序列信息、結(jié)構(gòu)和表達(dá)數(shù)據(jù)后才能對

12、新的IncRNA- 疾病關(guān)聯(lián)進(jìn)行預(yù)測整合注釋。Zhao等16開發(fā)了一種基于樸素貝葉斯分類器 方法的計(jì)算方法，對基因組、調(diào)控組、轉(zhuǎn)錄組的數(shù)據(jù) 進(jìn)行整合，共識(shí)別出707個(gè)與癌癥相關(guān)的潛在 lncRNA。Hu等S提出了一個(gè)深度學(xué)習(xí)框架NNLDA，用 以預(yù)測潛在的IncRNA-disease關(guān)聯(lián)。NNLDA是第 一個(gè)使用深度神經(jīng)網(wǎng)絡(luò)預(yù)測1 ncRNA-disease關(guān)聯(lián) 的算法。在19 166個(gè)IncRNA與529種疾病之間的 205 959個(gè)相互作用的網(wǎng)絡(luò)上，研究者將NNLDA與 另外兩種廣泛使用的算法進(jìn)行了比較。結(jié)果顯示， NNLDA在IncRNA-disease關(guān)聯(lián)預(yù)測方面優(yōu)于其它 現(xiàn)有算法。另

13、外，因?yàn)槔昧诵∨侩S機(jī)梯度下降 技術(shù)，在規(guī)模較大的數(shù)據(jù)集中NNLDA應(yīng)用更容易。Shi等18提出了一個(gè)基于圖回歸的統(tǒng)一框架 (graph regression-based unified framework，GRUF) 0 此方法可用于之前沒有已知關(guān)聯(lián)的疾病與 IncRNAs。研究者將GRUF與3種最先進(jìn)的方法進(jìn) 行了比較,證明了 GRUF的優(yōu)越性，使得工作特性曲 線(AUC)下的面積提高了 5%16%。GRUF還為 預(yù)測 LDA( IncRNAs and diseases)提供了一個(gè)預(yù)測的 置信度評分，同時(shí)揭示了評分與LDAs中涉及的 RNA結(jié)合蛋白數(shù)量之間的顯著相關(guān)性。GRUF在新 的預(yù)

14、測中所產(chǎn)生的前5位候選LDA中，有3位被醫(yī) 學(xué)文獻(xiàn)和已知生物學(xué)事實(shí)驗(yàn)證。Ashis等提出了一種作為歸納矩陣完成技術(shù) （IMC）補(bǔ)救措施的方法RIMC（ 一種使用,2,1范數(shù) 損失函數(shù)及基于,2,1范數(shù)正規(guī)化的魯棒歸納完備 化方法）!研究者將RIMC應(yīng)用于人類lincRNA （Long intergenic non-coding RNA ,基因間長鏈非編 碼RNA, IncRNA的一種20）和OMIM疾病表型之 間的可用關(guān)聯(lián)數(shù)據(jù)，以及有關(guān)lincRNA和疾病的多 種輔助信息。該方法為lincRNA和通過不同獨(dú)立數(shù) 據(jù)源獲得的疾病的各種類別特征提供了一個(gè)集成界 面，用于解釋兩個(gè)實(shí)體之間的關(guān)系。該方

15、法可以處 理數(shù)據(jù)集中的固有噪聲和離群值，并且表現(xiàn)出優(yōu)于 基于,2范數(shù)的標(biāo)準(zhǔn)IMC公式。在對lincRNAs進(jìn)行 前k位疾病優(yōu)先排序時(shí),精密度 k和召回率k方 面表現(xiàn)更好。同時(shí)證明，RIMC在查詢新的lincRNA 方面同樣有效，并且對于一組已知的lincRNA預(yù)測 新近已知疾病也同樣有效。2.2基于網(wǎng)絡(luò)的方法相對于數(shù)量較少的基于機(jī)器學(xué)習(xí)方法的研究， 基于網(wǎng)絡(luò)的預(yù)測方法數(shù)量更多?；诰W(wǎng)絡(luò)的預(yù)測， 通常需要結(jié)合基因表達(dá)譜等數(shù)據(jù)，以及多種信息的 邏輯關(guān)聯(lián)來構(gòu)建網(wǎng)絡(luò)，方法較為復(fù)雜。構(gòu)建完成后， 根據(jù)lncRNA與疾病的關(guān)聯(lián)得分大小對候選的 lncRNA進(jìn)行排序來預(yù)測致病基因。最常用是標(biāo)簽 傳播算法，如

16、隨機(jī)漫步（RWR）和KATZ,其主要區(qū)別 在于不同的傳播算法所應(yīng)用的底層網(wǎng)絡(luò)。Sun等人21將RWR應(yīng)用到了 lncRNA功能相 似網(wǎng)絡(luò)上，提出基于全球網(wǎng)絡(luò)的計(jì)算框架 RWRlncD,實(shí)現(xiàn)重啟隨機(jī)游走，以推斷潛在的人類 lncRNA疾病關(guān)聯(lián)。通過留一法交叉驗(yàn)證RWRlncD 的性能,ROC曲線下面積為0.822,證明RWRlncD 性能良好。研究者通過文獻(xiàn)挖掘，手動(dòng)確認(rèn)了在前 列腺癌和阿爾茨海默氏病的案例研究中具有高度預(yù) 測性的lncRNA-疾病關(guān)聯(lián)，這為運(yùn)用RWRlncD方法 預(yù)測lncRNA-疾病關(guān)聯(lián)方面的良好性能和潛在價(jià)值 提供了證據(jù)。Liu等人次提出了一種基于樣本相關(guān)的方法, 將其應(yīng)用

17、于前列腺癌中l(wèi)ncRNA和PCGs的表達(dá)譜, 結(jié)合蛋白質(zhì)相互作相關(guān)數(shù)據(jù)，構(gòu)建lncRNA-PCG二 分網(wǎng)絡(luò)，采用隨機(jī)游走的方法從此二分網(wǎng)絡(luò)中提取 候選腫瘤相關(guān)lncRNA。研究者從ncRNADisease數(shù) 據(jù)庫和MNDR數(shù)據(jù)庫中獲得14個(gè)前列腺癌相關(guān) lncRNA,發(fā)現(xiàn)其中6個(gè)存在于所構(gòu)建的網(wǎng)絡(luò)中。該 研究為今后的lncRNA-疾病關(guān)聯(lián)研究帶來新的視 角。Ganegoda等23提出了一種新算法一KRWRH, 通過lincRNA的表型信息和組織表達(dá)細(xì)節(jié)來計(jì)算疾 病的高斯交互作用譜核，然后采用重啟的隨機(jī)游走 法進(jìn)行最終預(yù)測。研究將KRWRH與LRLSDAA、 TslncRNA、NRWRH、RWR

18、H這4種現(xiàn)有方法進(jìn)行比 較，留一法交叉驗(yàn)證、ROC曲線、均值富集的實(shí)驗(yàn)結(jié) 果均表明，KRWRH能夠更有效地預(yù)測未知的疾病 與lincRNA的關(guān)聯(lián)。Zhou等提出了一種新的基于秩的方法 RWRHLDo通過將與 miRNA相關(guān)的lncRNA - lncRNA串?dāng)_網(wǎng)絡(luò)、疾病-疾病相似性網(wǎng)絡(luò)和已知的 lncRNA-疾病關(guān)聯(lián)網(wǎng)絡(luò)三個(gè)網(wǎng)絡(luò)集成到一個(gè)異構(gòu)網(wǎng) 絡(luò)后，運(yùn)用重啟隨機(jī)游走，對候選的lncRNA疾病關(guān)聯(lián) 進(jìn)行排序，進(jìn)而預(yù)測潛在疾病lncRNA關(guān)聯(lián)關(guān)系。基 于已通過實(shí)驗(yàn)證實(shí)的lncRNA-疾病關(guān)聯(lián)，使用留一法 進(jìn)行交叉驗(yàn)證,AUC值為0.871,遠(yuǎn)高于僅基于 lncRNA網(wǎng)絡(luò)、超幾何測試和隨機(jī)情況下的R

19、WR。此 外,在卵巢癌和前列腺癌的病例研究中預(yù)測的一些新 的lncRNA疾病關(guān)聯(lián)也已通過文獻(xiàn)分析得到證實(shí)。馬毅等性使用HeteSim法計(jì)算疾病基因之間的 相關(guān)性，預(yù)測致病基因?；诼窂郊s束,HeteSim法將 元路徑兩端節(jié)點(diǎn)隨機(jī)游走到中間節(jié)點(diǎn)相遇的概率作 為疾病與lncRNA之間關(guān)聯(lián)關(guān)系的得分，發(fā)掘潛在的 疾病-lncRNA關(guān)聯(lián)關(guān)系。為提升算法的性能,研究者 將編碼基因與疾病的關(guān)聯(lián)關(guān)系與lncRNA-疾病網(wǎng)絡(luò) 相整合，得到了基因-疾病異質(zhì)信息網(wǎng)絡(luò)。之后進(jìn)行 留一交叉驗(yàn)證,AUC值為0.7835。通過整合集成編碼 基因-疾病關(guān)聯(lián)數(shù)據(jù)增加網(wǎng)絡(luò)中邊的數(shù)量,使得結(jié)構(gòu) 更加緊密，潛在lncRNA可以從其

20、他基因-疾病關(guān)聯(lián) 中獲得更多信息傳播，進(jìn)而能夠更好地進(jìn)行預(yù)測，算 法性能得到提高。研究者將HeteSim與文獻(xiàn)26-28 中算法進(jìn)行比較，結(jié)果均優(yōu)。文獻(xiàn)27中考慮到以往算法的局限性，結(jié)合已 知的lncRNA-疾病關(guān)聯(lián)、lncRNA表達(dá)譜、lncRNA功 能相似度、疾病語義相似度及高斯交互作用譜核相 似性，建立了測量模型KATZ lncRNA - disease Association prediction （ KATZLDA）,以發(fā)現(xiàn)潛在的 lncRNA-disease關(guān)聯(lián)。KATZLDA在局部和全局留 一法交叉驗(yàn)證和5倍交叉驗(yàn)證中分別獲得AUC值 為:0.717 5、0.788 6、0.77

21、1 9。而后研究者通過對結(jié) 腸癌、胃癌和腎癌案例進(jìn)行了分析，生物學(xué)實(shí)驗(yàn)證已 證實(shí)了前10位預(yù)測中的60% oXie等a基于功能相似的IncRNAs往往與表型 相似的疾病相關(guān)聯(lián)，提出了 一種新的算法 NCPHLDA （ IncRNA - disease associations network consistency projection），用于預(yù)測潛在的 IncRNA- disease關(guān)聯(lián)。該方法集成了 IncRNA余弦相似網(wǎng) 絡(luò)、疾病余弦相似網(wǎng)絡(luò)和已知的IncRNA-疾病關(guān)聯(lián) 網(wǎng)絡(luò)，無需參數(shù)及負(fù)樣本，在沒有任何已知相關(guān)疾病 的情況下也可預(yù)測IncRNAo分別對其進(jìn)行l(wèi)eaveone -out

22、交叉驗(yàn)證和5倍交叉驗(yàn)證，得到AUC值為 0.927 3和0.917 90.004 3。而后研究者對3種疾病 （乳腺癌，宮頸癌和肝細(xì)胞癌）的案例研究表明，該 算法也具有可靠的預(yù)測性能。Li等抑使用0MIM數(shù)據(jù)庫中的表型與基因的 關(guān)系信息，連接基因網(wǎng)絡(luò)和表型網(wǎng)絡(luò)，構(gòu)建了一個(gè)異 構(gòu)網(wǎng)絡(luò)，然后將重啟隨機(jī)游走擴(kuò)展到這個(gè)異構(gòu)網(wǎng)絡(luò)， 對基因和表型同時(shí)進(jìn)行排序。使用留一法交叉驗(yàn)證 來評估，性能比其它算法有所提升。研究者使用該 算法揭示出一些僅靠基因網(wǎng)絡(luò)或表型網(wǎng)絡(luò)無法發(fā)現(xiàn) 的隱藏疾病關(guān)聯(lián)，共確定了 18個(gè)隱藏的疾病關(guān)聯(lián)， 大部分得到了文獻(xiàn)證據(jù)的支持。Zhang等開發(fā)了一個(gè)新的基于全球網(wǎng)絡(luò)的框 架LncRDNet

23、Flow,以區(qū)分與疾病相關(guān)的IncRNA的優(yōu) 先級?；贗ncRNA相似性、疾病相似性以及它們之 間的關(guān)聯(lián)性等多種生物信息,LncRDNetFlow利用流 傳播算法將多個(gè)網(wǎng)絡(luò)集成到一個(gè)網(wǎng)絡(luò)來預(yù)測IncRNA 疾病關(guān)聯(lián)性。交叉驗(yàn)證PUC值為0.841，性能明顯優(yōu) 于現(xiàn)有技術(shù)水平。通過文獻(xiàn)篩選出卵巢癌、神經(jīng)膠質(zhì) 瘤和宮頸癌相關(guān)的IncRNA，并通過生物學(xué)研究證實(shí) 了排名靠前的許多預(yù)測的出的IncRNAoWang等E開發(fā)了一種基于序列的生物信息學(xué) 方法LncDisease，以IncRNA和miRNAs之間的串?dāng)_ 為基礎(chǔ)，預(yù)測IncRNA與疾病的關(guān)聯(lián)。研究者運(yùn)用 LncDisease預(yù)測了與乳腺癌和高

24、血壓相關(guān)的 IncRNA，同時(shí)進(jìn)行生物實(shí)驗(yàn),qRT-PC結(jié)果顯示12 種預(yù)測的IncRNA中有11種（91.7%）得到驗(yàn)證。同 時(shí)，研究者還評估了受血管緊張素II （ Ang II）調(diào)節(jié) 的人血管平滑肌細(xì)胞（VSMCs）中與高血壓相關(guān)的 IncRNAs o qRT-PCR結(jié)果顯示,4個(gè)預(yù)測的IncRNAs 中有3個(gè)（75.0%）得到驗(yàn)證。此外，研究者還對 lncRNAGAS5相關(guān)的6種疾病進(jìn)行預(yù)測，并通過文 獻(xiàn)挖掘驗(yàn)證了其中的4種（66.7%） oYu等國開發(fā)了一個(gè)通過雙隨機(jī)漫步來預(yù)測新 的IncRNA疾病關(guān)聯(lián)（BRWLDA）的雙向關(guān)系網(wǎng)絡(luò)模 型。雙向關(guān)系網(wǎng)絡(luò)由從各種生物學(xué)數(shù)據(jù)得出的 IncRNA-lncRNA功能相似性網(wǎng)絡(luò)和從疾病之間的 本體結(jié)構(gòu)得出的疾病-疾病相似性網(wǎng)絡(luò)兩個(gè)子網(wǎng) 絡(luò)，以及這兩個(gè)子網(wǎng)絡(luò)之間的互連關(guān)系l ncRNA-疾 病關(guān)聯(lián)所構(gòu)成與其它計(jì)算模型相比，BRWLDA在 lncRNA和疾病導(dǎo)向的LOOCV中獲得了最高的 AUC值0.7952和0.7940。在遞歸掩蔽的實(shí)驗(yàn)中， BRWLDA再次獲得了最高的AUC值，分別為 0.988 8、0.954 8、0.927 5。研