论文部分内容阅读
NONCODE科学数据库是一个提供给科学研究人员分析和使用非编码RNA基因数据的综合数据平台。自从2005年NONCODE数据库发布以来,非编码RNA的基因数量迅速增加,而且人们也逐步的认识到,在大多数物种中非编码RNA基因都发挥着重要的调控作用。自发布之初,NONCODE数据库就以全面收集非编码RNA基因数据为目标。经过10年的发展,NONCODE数据库已经完成了三次重大升级,成为了非编码RNA领域著名的专业数据库。2013年11月,NONCODEv4正式上线。这一版在NONCODE前三个版本的基础上,收集了2011年5月1日以后PubMed收录的4572篇与非编码RNA相关的文献数据,以及当时Ensembl和RefSeq发布的最新版非编码RNA数据。NONCODE中收录的长非编码RNA数量从第三版的73327条急剧增加到了210831条,其中人类有95135条,鼠有67628条。NONCODE为本课题进行生物数据挖掘与应用提供了一个很好的平台。 早在上世纪80年代,芯片测序的原理就已经被提出:把一组已知序列的核酸探针与未知的核酸序列杂交而进行测定。各个公司在设计芯片探针时,都是基于当时最新的基因组参考序列,但是随着测序技术的发展与应用,基因组序列和注释信息不断被更新完善,这导致一些探针集合出现了对应到多个基因的情况。另外,很多芯片最初在设计的时候,并没有把非编码RNA序列作为探针设计到芯片中,但是有研究发现,通过对芯片探针集合进行重注释,可以使用这些芯片对非编码RNA的表达量进行测定。针对芯片测序存在的这两个问题,本课题设计了新的芯片探针重注释流程,并使用此流程对Affymetrix公司设计的17款芯片进行了重注释工作。 在癌症发病机理中,致癌病毒通过诱变融合导入宿主基因组是一种很重要的机制。病毒整合位点(Viral Integration Sites,VIS)已经被观察到毗邻致癌基因、染色体脆性位点、支架/基质结合区和重复/卫星序列丰富的地区。此外,染色体重排,包括序列缺失和病毒基因组插入宿主基因组,往往都与肿瘤的发生和发展有关。近几年来,越来越多的研究证明,长非编码RNA与很多疾病相关,但至今还没有一个全面的对长非编码RNA和病毒整合关系的研究。本课题全面收集了现在已经发表的病毒整合位点数据,并对这些数据进行了整理、注释。本课题总共收集了3340条人类疾病相关的病毒整合位点数据,其中3111条数据在人类基因组上有准确的位置。对于这3111条数据,本课题还对其附近的基因进行了计算,发现这些位点分布在1730个基因(编码基因有1005个,长非编码RNA基因有725个)附近。最后,本课题还利用此次收集的病毒整合位点数据,对Dr.VIS(Disease-related Viral Integration Sites)数据进行了升级。