Adapting Genome-wide microRNA Discovery and Target Prediction to Specific Species
Notice bibliographique
Résumé
microRNAs (miRNAs) are small non-coding ribonucleic acids that post-transcriptionally regulate gene expression through the targeting of messenger RNA (mRNAs).miRNAs have been implicated in numerous biological processes in animals and plants, so discovering miRNAs within unannotated genomes and determining which mRNA they may target are important challenges.MiRNA and miRNA targets can be identified experimentally through costly and time consuming wet-lab verification techniques or computationally using a variety of techniques.In the case of miRNA discovery, several models exist, however, they have been tested and trained data with a class imbalance not indicative of the real-life problem distribution.Several ML miRNA target predictors exist; however, they primarily focus on the Animal Kingdom.Several rule-based miRNA target predictors have been developed in plant species, but they often fail to discover new miRNA targets with non-canonical miRNA-mRNA binding.In this thesis, we focus on two areas of miRNA research: miRNA discovery and miRNA target prediction.Specifically, we develop machine learning techniques to discover miRNA in the Soy Cyst Nematode genome -a destructive pathogen of soybean and a species for which very few miRNAs are currently known.Considering that, in some species, it has been shown that miRNAs are differentially expressed in response to pathogen stress, we also predict gene targets for each putative miRNA within both SCN and soybean.Additionally, we develop a plant-specific miRNA targeting model and webserver rigorously tested across four plant species.Finally, we explore the applications of domain adaptation on miRNA targeting.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
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 ».