通过转移学习,在训练数据有限的物种中加强miRNA-mRNA相互作用的预测

科学领域:

• 生物信息学是一种生物信息学.
• 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) 是基因表达在转录后水平的关键调节者.
• 识别miRNA-mRNA相互作用 (MTIs) 对于理解生物功能和推进基于miRNA的疗法至关重要.
• 现有的高通量MTI数据集稀疏,特别是对于非模型生物,阻碍了准确的计算预测.

研究的目的:

• 通过转移学习方法解决在MTI预测中有限数据的挑战.
• 评估人工神经网络 (ANN) 和XGBoost (XGB) 在MTI预测转移学习框架中的有效性.
• 引入和验证TransferSHAP以解释跨物种转移学习中的特征重要性,用于MTI预测.

主要方法:

• 应用转移学习技术,包括ANN和XGB,以预测不同物种的miRNA-target相互作用.
• 开发并使用了新的TransferSHAP方法来分析表格MTI数据在转移学习的背景下特征的重要性.
• 利用物种之间的相互作用规则中的相似性来改进预测模型.

主要成果:

• 通过转移学习,对具有有限可用数据的物种进行MTI预测准确度的显著改进.
• 成功确定了特定的miRNA-目标相互作用特征,这些特征可以跨物种转移.
• 转移SHAP提供了有关推动跨物种信息转移的特征贡献的见解.

结论:

• 转移学习是一种可行的和有效的策略,可以克服miRNA-目标相互作用预测中的数据稀缺性.
• 开发的TransferSHAP方法为生物信息学中的转移学习模型提供了有价值的解释性.
• 这项研究促进了更准确的MTI预测,支持生物发现和药物开发工作.