相关实验视频
Updated: Jul 25, 2025

06:16
mirMachine: A One-Stop Shop for Plant miRNA Annotation
Published on: May 1, 2021
2.6K
预测潜在的小分子-miRNA协会使用截断的schatten p-norm.
Shudong Wang1, Tiyao Liu1, Chuanru Ren1
1College of Computer Science and Technology, Qingdao Institute of Software, China University of Petroleum, Qingdao 266580, China.
Briefings in bioinformatics
|June 27, 2023
概括
这项研究引入了一种新的方法,即切断的Schatten p-norm (TSPN),用于预测小分子 (SMs) 和微RNA (miRNAs) 之间的关联. 通过更好地近似等级函数,TSPN提高了准确性,在疾病关联预测中表现优于现有模型.
科学领域:
- 生物医学信息学 生物医学信息学
- 计算生物学 计算生物学
- 基因组学就是基因组学.
背景情况:
- 微RNAs (miRNAs) 在人类疾病中至关重要,可以被小分子 (SMs) 准.
- 现有的SM-miRNA关联预测模型很难完全捕捉SM/miRNA相似性.
- 目前的矩阵完成方法使用核规范,与等级函数相比,它有局限性.
研究的目的:
- 开发一个先进的模型来预测SM-miRNA关联.
- 为了提高SM-miRNA相似性识别的准确性.
- 为了克服传统矩阵完成技术在这个领域的缺点.
主要方法:
- 预处理SM/miRNA相似性使用高斯相互作用配置文件内核相似性.
- 从三个生物矩阵构建一个异质的SM-miRNA网络.
- 使用切断的Schatten p-norm (TSPN) 和一个代算法开发一个预测模型.
- 采用加权的奇数值收缩来完善模型.
主要成果:
- TSPN发现了更多的SM/miRNA相似性,大大提高了预测准确性.
- 该模型在多个交叉验证实验中,与先进方法相比,表现优越.
- 通过案例研究进行了广泛的验证,证实了许多预测关联,并得到了公共文献的支持.
结论:
- TSPN提供了一种更准确,更可靠的方法来预测SM-miRNA关联.
- 该方法有效地解决了现有模型的局限性,通过更好地近似等级函数.
- 通过识别新的SM-miRNA关系,TSPN具有治疗干预开发的巨大潜力.

