======================================
背景：
microRNA作为一种重要的调控因子，是长短约22nt的短链RNA，能够通过抑制目的基因的翻译或降解目的基因，从而反向调节目的基因的表达。而实际调控过程中不仅仅是简单的microRNA-mRNA的沉默机制，还有更为复杂的调控网络，一些非编码的RNA同样存在与microRNA的结合位点，在细胞中起到miRNA海绵（miRNA sponge）的作用，进而解除miRNA对其靶基因的抑制作用，升高靶基因的表达水平，也因此构建了庞大的ceRNA网络（ceRNETs），这一作用机制被称为竞争性内源RNA（ceRNA）机制。
材料
（1）mRNA表达矩阵（2）miRNA表达矩阵（3）lncRNA表达矩阵，他们的格式如下所示：
我们想要的结果大致如下： （1）寻找miRNA-mRNA调节关系对 （2）寻找miRNA-lncRNA调节关系对 （3）合并miRNA-mRNA、miRNA-lncRNA调节关系对，构建ceRNA网络
- R语言运行的调控关系对如下所示： 根据相关分析，找到符合我们统计学要求（p < 0.05同时 correlation值小于-0.4）的关系对
第一步
读取数据集（将mRNA，miRNA和lncRNA表达矩阵读取进来）
代码语言：javascript复制library(reshape2)
library(dplyr)
library(tidyr)
rm(list=ls())
setwd('D:\train\data')
mRNA <- read.csv('mRNA.csv',sep = ',',header = T,row.names = 1)
miRNA <- read.csv('miRNA.csv',sep = ',',header = T,row.names = 1)
lncRNA <- read.csv('lncRNA.csv',sep = ',',header = T,row.names = 1)第二步
去除单独的样本（因为有的样本可能做了mRNA测序，却没做miRNA测序。因此我们需要筛选出来那些同时做了mRNA，miRNA，lncRNA测序的样本）
代码语言：javascript复制a <- colnames(mRNA)
b <- colnames(miRNA)
c <- colnames(lncRNA)
sample <- intersect(a,intersect(b,c))
mRNA <- mRNA[,which(colnames(mRNA) %in% sample )]
miRNA <- miRNA[,which(colnames(miRNA) %in% sample )]
lncRNA <- lncRNA[,which(colnames(lncRNA) %in% sample )]
mRNA <- as.data.frame(t(mRNA))
miRNA <- as.data.frame(t(miRNA))
lncRNA <- as.data.frame(t(lncRNA))
mRNA <- mRNA[order(rownames(mRNA)),]
miRNA <- miRNA[order(rownames(miRNA)),]
lncRNA <- lncRNA[order(rownames(lncRNA)),]第三步
寻找任一(miRNA)与任一(mRNA)相关性分析结果（主要关注两个统计学指标：P值和cor值）
