研究人员针对 PTEN 这个关键的抑癌基因，来探究调控该基因表达的ceRNA 网络；
分析策略：
1）预测能调控该基因的miRNAs
通过miRanda 软件预测和实验验证相结合的方式，挑选出 miR-17-5p, miR-19a,miR-19b, miR-20a, miR-20b, miR-26a, miR-26b, miR-93, miR-106a, miR-106b 等miRNA
2) 预测同时受这些miRNA 调控的其他基因
通过miRanda 软件预测和实验验证相结合的方式，挑选出NCOA7, BCL11B, SERINC1, ZNF460, NUDT13,DTWD2, and VAPA 等候选基因进行后续分析；
3) 验证共表达关系
体内实验验证候选基因和目标基因之间的共表达关系
从生物信息数据分析的角度看，只需要做两步分析；
以上图为例：对于目标RNA X, 预测能调控该RNA X的RNA Ｙ，当然ＲＮＡ Ｙ不会只有一个；１）第一步以miRNA 为桥梁，找到和其共享miRNA 调控的RNA Y;2) 第二步，分析RNA X 和 RNA Y 之间的共表达关系，如果是二者存在调控关系，则表达量会存在一个相关性，而且肯定是正相关关系
分析的过程有以下几个难点：
1） 不同类型的RNA 和 miRNA 调控关系的准确性, miradna 软件的结果肯定会存在一定的假阳性率；
2) 共表达分析时。阈值的筛选，文章中通过皮尔森相关性检验，计算相关系数和p值，在结果过滤时，仅仅使用了pvlaue < 0.001 ，挑选了显著相关的结果，但是可以看到，挑选的结果候选基因和目标基因的表达量的相关系数都不是很高，这个阈值在分析时如何取舍，是不是说只要p值越低越好，相关系数的大小无所谓？只要在统计学上相关性显著即可？
以上的问题都会导致预测的 ceRNA 网络存在许多的假阳性，这个是目前的分析手段不可避免的，最好的做法是结合实验手段去验证。
参考文献：Coding-independent regulation of the tumor suppressor PTEN by competing endogenous mRNAs.Cell. 2011 Oct 14;147(2):344-57.