Computational Biology in <scp>microRNA</scp>
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
MicroRNA (miRNA) is a class of small endogenous noncoding RNA species, which regulate gene expression post-transcriptionally by forming imperfect base-pair at the 3' untranslated regions of the messenger RNAs. Since the 1993 discovery of the first miRNA let-7 in worms, a vast number of studies have been dedicated to functionally characterizing miRNAs with a special emphasis on their roles in cancer. A single miRNA can potentially target ∼ 400 distinct genes, and there are over a 1000 distinct endogenous miRNAs in the human genome. Thus, miRNAs are likely involved in virtually all biological processes and pathways including carcinogenesis. However, functionally characterizing miRNAs hinges on the accurate identification of their mRNA targets, which has been a challenging problem due to imperfect base-pairing and condition-specific miRNA regulatory dynamics. In this review, we will survey the current state-of-the-art computational methods to predict miRNA targets, which are divided into three main categories: (1) sequence-based methods that primarily utilizes the canonical seed-match model, evolutionary conservation, and binding energy; (2) expression-based target prediction methods using the increasingly available miRNA and mRNA expression data measured for the same sample; and (3) network-based method that aims identify miRNA regulatory modules, which reflect their synergism in conferring a global impact to the biological system of interest. We hope that the review will serve as a good reference to the new comers to the ever-growing miRNA research field as well as veterans, who would appreciate the detailed review on the technicalities, strength, and limitations of each representative computational method.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle