Naïve Bayes zur Vorhersage von microRNA-Zielen – maschinelles Lernen für microRNA-Ziele

Abstract Motivation: Die meisten computergestützten Methoden zur Vorhersage von miRNA:mRNA-Zielgenen verwenden das Seed-Segment der miRNA und erfordern eine Sequenzkonservierung über Arten hinweg in diesem Bereich des mRNA-Ziels. Methoden, die nicht auf Konservierung basieren, erzeugen zu viele Vorhersagen, um sie zu validieren. Wir beschreiben eine Vorhersagemethode (NBmiRTar), die keine Sequenzkonservierung benötigt und stattdessen maschinelles Lernen mittels eines naïve Bayes-Klassifikators einsetzt. Diese Methode generiert ein Modell aus Sequenz- und miRNA:mRNA-Duplexinformationen von validierten Zielen und künstlich generierten negativen Beispielen. Sowohl das ‚Seed‘- als auch das ‚Out-Seed‘-Segment des miRNA:mRNA-Duplex werden zur Zielidentifikation verwendet. Ergebnisse: Die Anwendung von Techniken des maschinellen Lernens auf die von uns verwendeten Merkmale ist ein nützlicher und allgemeiner Ansatz zur Vorhersage von microRNA-Zielgenen. Unsere Technik produziert weniger falsch-positive Vorhersagen und weniger Zielkandidaten, die getestet werden müssen. Sie zeigt eine höhere Sensitivität und Spezifität als Algorithmen, die auf konservierten genomischen Regionen basieren, um falsch-positive Vorhersagen zu verringern. Verfügbarkeit: Das NBmiRTar-Programm ist verfügbar unter http://wotan.wistar.upenn.edu/NBmiRTar/ Kontakt: yousef@wistar.org Ergänzende Informationen: http://wotan.wistar.upenn.edu/NBmiRTar/