EMDS: predicting essential miRNAs based on deep learning and sequences
Notice bibliographique
Résumé
MicroRNAs (miRNAs) as small 19- to 24-nucleotide noncoding RNAs play crucial roles in some key biological progress associated with human diseases. Therefore, identifying the essentiality of miRNAs is important to systematically understand the pathogenic mechanism of diseases. There are some computational methods have been developed to predict essential miRNAs because traditional biological experiments are both time- and labor-consuming. However, these computational methods only used the statistical feature and structural feature of miRNA sequences. The timing characteristics of sequences also should be considered to improve the prediction performance. In addition, the capability deep learning model is well-known. Therefore, in this study, we present a computational method (called EMDS) to predict essential miRNAs. EMDS takes not only the statistical and structural features of sequences but also the subsequence features based on the time characteristics of sequences and Convolutional Neural Networks (CNN). Furthermore, considering that the successful applications of attention mechanism and the subsequence in a miRNA sequence are important, we use a neural attention mechanism to obtain subsequence features of miRNAs. Finally, we integrate the statistical features and structural features, subsequence features as final miRNA features which is inputted into Light Gradient Boosting Machine (LGBM) to predict essential miRNAs. We evaluate the prediction performance of our method by the 5-fold cross validation. We also compare EMDS with other four competing methods which include PESM, miES, Gaussian Naive Bayes (Gaus_NB) and Support Vector Machine (SVM) by performing same cross validation experiments. The results show that EMDS achieves better prediction performance in terms of AUC (EMDS:0.9335, PESM:0.9117, miES:0.8837, Gaus_NB:0.8720, SVM:0.8571). It also illustrates that our method can effectively predict the essential miRNAs.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».