Supervised method for construction of microRNA-mRNA networks: Application in cardiac tissue aging dataset

Abstract

MicroRNAs play an important role in regulation of gene expression, but still detection of their targets remains a challenge. In this work we present a supervised regulatory network inference method with aim to identify potential target genes (mRNAs) of microRNAs. Briefly, the proposed method exploiting mRNA and microRNA expression trains Random Forests on known interactions and subsequently it is able to predict novel ones. In parallel, we incorporate different available data sources, such as Gene Ontology and ProteinProtein Interactions, to deliver biologically consistent results. Application in both benchmark data and an experiment studying aging showed robust performance.

Using machine learning approaches for multi-omics data analysis: A review

“…LASSO has also been employed for cancer prognosis J o u r n a l P r e -p r o o f (Zhao et al, 2015). Similarly, mRNA -miRNA integration was investigated using Neural Fuzzy Network for colorectal cancer (Vineetha et al, 2013), SVM for pancreatic cancer (Kwon et al, 2015), and RF for cardiac tissue ageing (Dimitrakopoulos et al, 2014) and ovarian cancer (Anděl et al, 2015) respectively. SVM has also been used for oral squamous cell carcinoma study by integrating different transcriptomics namely mRNA, miRNA and IncRNA (Li et al, 2017).…”

Μέθοδοι Μηχανικής Εκμάθησης Από Δεδομένα Μεγάλης Κλίμακας Με Εφαρμογή Στην Ανάλυση Δικτύων Της Μοριακής Βιολογίας Και Των Νευροεπιστημών

“…Τα πλεονεκτήματα περιλαμβάνουν υψηλή ακρίβεια ακόμη και σε περίπλοκα προβλήματα, δυνατότητα χειρισμού «μεγάλο p, μικρό n» συνόλων δεδομένων, ενώ δεν απαιτείται εξαντλητική ρύθμιση των παραμέτρων για αξιόπιστα αποτελέσματα. Τα RF έχουν χρησιμοποιηθεί ευρέως σε διάφορα προβλήματα της Συστημικής Βιολογίας όπως η πρόβλεψη ασθένειας με βάση την έκφραση γονιδίων (Archer and Kimes, 2008), η ταξινόμηση των αλληλεπιδράσεων SNP (Chen et al, 2011), η πρόβλεψη νέων αλληλεπιδράσεων microRNA -mRNA (Dimitrakopoulos et al, 2014)…”