Discovery of inflammatory bowel disease-associated miRNAs using a novel bipartite clustering approach
Notice bibliographique
Résumé
BACKGROUND: Multidimensional data mining from an integrated environment of different data sources is frequently performed in computational system biology. The molecular mechanism from the analysis of a complex network of gene-miRNA can aid to diagnosis and treatment of associated diseases. METHODS: In this work, we mainly focus on finding inflammatory bowel disease (IBD) associated microRNAs (miRNAs) by biclustering the miRNA-target interactions aided by known IBD risk genes and their associated miRNAs collected from several sources. We rank different miRNAs by attributing to the dataset size and connectivity of IBD associated genes in the miRNA regulatory modules from biclusters. We search the association of some top-ranking miRNAs to IBD related diseases. We also search the network of discovered miRNAs to different diseases and evaluate the similarity of those diseases to IBD. RESULTS: According to different literature, our results show the significance of top-ranking miRNA to IBD or related diseases. The ratio analysis supports our ranking method where the top 20 miRNA has approximately tenfold attachment to IBD genes. From disease-associated miRNA network analysis we found that 71% of different diseases attached to those miRNAs show more than 0.75 similarity scores to IBD. CONCLUSION: We successfully identify some miRNAs related to IBD where the scoring formula and disease-associated network analysis show the significance of our method. This method can be a promising approach for isolating miRNAs for similar types of diseases.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».