An upstream interacting context based framework for the computational inference of microRNA functions
Notice bibliographique
Résumé
With the rapid accumulation of microRNA (miRNAs), a class of newly identified small noncoding RNAs, in silico inference of miRNA functions has become one of the central tasks in miRNA bioinformatics. Traditional methods have helped in the understanding of miRNAs, but they also have limitations. In this paper, we first gave a brief review for the progress of bioinformatic methods in miRNA function inference and next presented a new framework (miRUPnet) for inferring the functions of miRNAs by functional analysis of a novel dimension of miRNA network, the context of its transcription factors (TFs) in a protein-protein interaction network. This dimension represents specific biological processes initiated by TF combinations and therefore differs from traditional methods in concept. To validate the accuracy of our method, we first comprehensively mined literature-reported miRNA functions and then made a comparison with the prediction result. The results show that even using the stringent TFBS rule, our method has independently predicted 68.2% of the literature reported miRNA functions, suggesting that miRUPnet has a high accuracy. Moreover, our approach successfully predicted specific functions that could not be inferred for given miRNAs using traditional methods. More importantly, it can distinguish miRNAs from the same family, as well as those present in multiple copies that cannot be differentiated through traditional methods. This study presents a new concept and dimension for miRNA function inference. miRUPnet represents an important and novel method for inferring the function of miRNAs. miRUPnet is available at http://cmbi.bjmu.edu.cn/mirupnet.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».