Comprehensive overview and assessment of computational prediction of microRNA targets in animals
Notice bibliographique
Résumé
MicroRNAs (miRNAs) are short endogenous noncoding RNAs that bind to target mRNAs, usually resulting in degradation and translational repression. Identification of miRNA targets is crucial for deciphering functional roles of the numerous miRNAs that are rapidly generated by sequencing efforts. Computational prediction methods are widely used for high-throughput generation of putative miRNA targets. We review a comprehensive collection of 38 miRNA sequence-based computational target predictors in animals that were developed over the past decade. Our in-depth analysis considers all significant perspectives including the underlying predictive methodologies with focus on how they draw from the mechanistic basis of the miRNA-mRNA interaction. We also discuss ease of use, availability, impact of the considered predictors and the evaluation protocols that were used to assess them. We are the first to comparatively and comprehensively evaluate seven representative methods when predicting miRNA targets at the duplex and gene levels. The gene-level evaluation is based on three benchmark data sets that rely on different ways to annotate targets including biochemical assays, microarrays and pSILAC. We offer practical advice on selection of appropriate predictors according to certain properties of miRNA sequences, characteristics of a specific application and desired levels of predictive quality. We also discuss future work related to the design of new models, data quality, improved usability, need for standardized evaluation and ability to predict mRNA expression changes.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
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 ».