张奕，郑婧，蔡钢生，王真梅

（1.桂林理工大学 信息科学与工程学院，广西 桂林 541004；2.广西嵌入式技术与智能系统重点实验室，广西 桂林 541004）

0 概述

长链非编码RNA（long non-coding RNA，lncRNA）是非编码RNA 家族中的一个组成部分，它拥有长度超过200 个核苷酸的转录产物［1］。研究表明lncRNA 异常表达会导致多种复杂疾病。探寻导致疾病的lncRNA，有助于理解疾病产生的机理，为疾病治疗及预后提供参考［2］。

由于生物实验费时费力，在现实生活中大多采用可计算模型代替生物实验来实现lncRNA-疾病的关联预测，为生物实验提供高效的更准确的候选项。目前，常用基于生物网络和基于机器学习这两类计算方法预测lncRNA-疾病关联。

基于生物网络的方法通常需要构建基因相似性网络，构建完成后，根据lncRNA-疾病的关联得分大小对候选的lncRNA 进行排序来预测致病基因。最常用的是标签传播算法，如重启随机游走和KATZ 算法，它们的主要区别在于不同的传播算法应用的底层网络不同。文献［3］根据lncRNA 功能相似性网络建立了全局的重启随机游走算法RWRlncD，从而对潜在的关联信息进行预测。但是该模型不能预测没有任何已知相关lncRNA 的新疾病或没有任何已知相关疾病的孤立lncRNA。文献［4］基于“与多种相同miRNA 有关的lncRNA 会导致相似疾病”这一生物假设建立了RWRHLD 模型，从而预测lncRNA-疾病的关联信息。该模型将miRNA 信息加入到lncRNA-lncRNA 网络中，与疾病相似性网络和已知的lncRNA-疾病关联网络整合成新网络，在这个新网络中实施重启随机游走。但是该模型不适用于预测没有已知lncRNA-miRNA 相互作用的lncRNA，模型实用性较差。……