随着高通量转录组测序技术的发展和应用,数以万计的新型RNA得以发现,特别是长非编码RNA(long non-coding RNA,lncRNA)。研究表明,哺乳动物基因组大部分能够被转录,但具有蛋白质编码功能的基因只占其中的1%～2%,而其余都是具有转录活性的非蛋白质编码基因,其转录物称为非编码RNA(noncoding RNA,ncRNA)。过去被认为是“噪音”基因的ncRNA因其复杂的生物功能引起生物学家的注意,ncRNA已成为近年来基因组研究的热点之一。其中,lncRNA的转录本长度一般大于200nt,其翻译能力缺失或者翻译能力较低,并能够广泛参与复杂的生物功能。由于当前技术水平的限制,只有少量lncRNA的功能机制被确定,如调控哺乳动物2号染色体基因表达的HOTAIR,以及主导X染色体灭活过程的Xist等。对lncRNA的准确识别是lncRNA注释和功能研究的基础。传统用于lncRNA预测的计算方法主要有 CPC(Coding-Potential Calculator)、CNCI(Coding-Non-Coding Index)和 CPAT(Coding-Potential Assessment Tool)等。CPC 选取的特征包括开放阅读框(Open Reading Frame,ORF)的长度和质量,采用支持向量机(Support Vector Machine,SVM)模型训练数据。CPC方法在lncRNA预测方面有一定的准确性和容错性,但其训练数据过分依赖蛋白质库的准确性和序列保守性。CNCI主要采用密码子特性作为训练特征,与其他方法相比,CNCI预测精度较低,且耗时较长。CPAT整合多个物种的特征用于逻辑回归(Logistic Regression,LR)模型训练,以达到更好的预测效果。鉴于当前lncRNA注释越来越完善及相关数据不断增加,本文提出通过深度神经网络(Deep Neural Network,DNN)训练lncRNA预测模型,并命名为lncRScan-DNN。与现有的预测方法相比,DNN是一种快速、准确且适用于分类的算法。lncRScan-DNN选取的特征包括k-mer信息、转录本长度、密码子长度(CDS_length)、密码子长度占比(CDS_percentage)、密码子序列得分(CDS_score)和终止密码子标准差(stop_codon_std)。阳性样本数据来自lncRNA数据库GENCODE与NONCODEv5,阴性样本数据来自mRNA数据库UCSC与zflncRNApedia。为了减轻模型过拟合的影响,采用十折交叉验证方法对训练结果进行训练。通过与传统方法(包括CPAT、CNCI和CPA2)进行比较分析,lncRScan-DNN 在特异性(sensitivity)、准确性(accuracy)、马修斯系数(Matthews correlation coefficient)和 receiver operating characteristic curve 曲线(ROC)等性能指标表现更好。另外,lncRScan-DNN还在包括人类、小鼠、大鼠、猪、鸡、斑马鱼、黑猩猩和线形虫8个物种数据上进行了测试和比较,且性能较好。本文提出的lncRScan-DNN方法借助于整合的特征集合和深度神经网络算法,取得了良好的lncRNA预测性能,可作为lcnRNA分析的重要基础。