دوره 14، شماره 41 - ( پاییز 1402 )
جلد 14 شماره 41 صفحات 44-33 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Seyeddokht A, Rahmaninia J, Karami H. (2023). Classification of microRNA precursors using reduced features of dinucleotide repeats in cattle (Bos Taurus). rap. 14(41), 33-44. doi:10.61186/rap.14.41.33
URL: http://rap.sanru.ac.ir/article-1-1391-fa.html
URL: http://rap.sanru.ac.ir/article-1-1391-fa.html
سیددخت عاطفه، رحمانی‌نیا جواد، کرمی حسن. طبقه‌بندی پیشسازهای microRNA در گاو (Bos Taurus) با استفاده از ویژگی‌های کاهش یافته تکرارهای دو نوکلئوتیدی پژوهشهاي توليدات دامي 1402; 14 (41) :44-33 10.61186/rap.14.41.33
بخش تحقیقات علوم دامی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان خراسان رضوی، سازمان تحقیقات، آموزش و ترویج کشاورزی، مشهد، ایران
چکیده: (806 مشاهده)
چکیده مبسوط
مقدمه و هدف: توسعه مداوم فناوری‌های مولکولی مورد استفاده برای تجزیه و تحلیل رونوشت‌ها، به‌ویژه فناوری‌های توالی‌یابی نسل بعدی و ابزارهای پیشرفته بیوانفورماتیک، امکان کاوش عمیق‌تر RNAهای پیام‌رسان (mRNAs) و RNAهای غیرکد کننده (ncRNA) از جمله miRNAها را فراهم می‌کند. این فناوری‌ها فرصت‌های بزرگی را برای اکتشاف عمیق‌تر دخالت miRNAها در بیماری‌های حیوانات مزرعه و همچنین بهره‌وری و رفاه دام ارائه نمودند. از زمان کشف lin-4 و let‑7، هزاران miRNA در گونه‌های حیوانات مزرعه شناسایی و در پایگاه‌های داده miRNA ثبت شده‌اند. miRNAها را میتوان بهعنوان نشانگرهای زیستی، اهداف تشخیصی، پیشآگهی و درمانی برای مدیریت بیماری‌های دام استفاده کرد. با تعیین توالی ژنوم گاو (Bos Taurus)، فرصتی برای کشف miRNAهای جدید در این گونه فراهم خواهد شد. از آنجاییکه تعیین توالی و ساختار miRNA ها بهصورت آزمایشگاهی هزینهبر و زمانبر است، بنابراین این پژوهش با هدف استفاده از روش‌های محاسباتی مبتنی بر یادگیری ماشین بهمنظور پیش‌بینی microRNAها در ژنوم گاو انجام شد.
مواد و روشها: یافتن روشی دقیق برای شناسایی مولکولهای miRNA میتواند به درک فرآیندهای تنظیمی کمک کند. در حال حاضر روش‌های محاسباتی مبتنی بر الگوریتم‌های یادگیری بهطور گسترده برای پیش‌بینی miRNAها استفاده می‌شوند. با الهام از سایر تحقیقات انجام شده در زمینه شناسایی miRNAها، یک مدل محاسباتی بهبود یافته یادگیری ماشین برای شناسایی توالی‌های پیشساز miRNAهای واقعی (pre-miRNA) پیشنهاد شد. در مرحله اول فراوانی توالی‌های دو نوکلئوتیدی ژن‌های pre-miRNA و محتوای بازهای سیتوزین و گوانین (G+C) در توالی‌ها در نظر گرفته شد. ترکیب دینوکلئوتیدی مشاهده شده بهعنوان ویژگی‌های ساختاری ترکیب توالی برای هر ژن miRNA محاسبه شد. مجموع ترکیبات دو نوکلئوتیدی در گونه گاو (Bos Taurus) با محتویات ژنومی G+C برای 1064 توالی miRNA و توالی‌های غیر miRNA محاسبه شد. در مرحله بعد دو مدل طبقه‌بندی مبتنی بر رویکرد یادگیری ماشین برای شناسایی pre-miRNA های واقعی و شبه واقعی آموزش داده شدند. مجموعه‌ای از 17 ویژگی بهینه شده مربوط به ساختارهای توالی برای آموزش مدل‌ها استفاده شد. این مدل‌ها با روش اعتبارسنجی متقاطع 10 تایی آموزش یافتند و اعتبارسنجی شدند.
یافته‌ها: هدف بررسی عملکرد پیش‌بینی طبقه‌بندی کنندهها براساس ویژگی‌های RNA در تشخیص pre-miRNAها از سایر توالی‌ها بود. مدل آنالیز شده در این پژوهش با استفاده از مجموعه دادههای گاو (Bos Taurus) بهدقت 99 درصد و ضریب همبستگی متیو 97/9 درصد دست یافت.
نتیجهگیری: روش‌های محاسباتی هوش مصنوعی می‌توانند miRNAهای بالقوه جدیدی را در ژنوم گاو شناسایی کنند که برخی از آنها قبلاً در این ژنوم شناسایی نشده بودند. در نتیجه لزوم استفاده از روش‌های محاسباتی جهت شناسایی این RNAهای تنظیمی در دام‌ها جهت اهداف اصلاحی ضروری به‌منظر می‌رسد. نتایج این پروژه نشان داد که تنها با استفاده از ویژگی‌های ساختاری دو نوکلئوتیدی میتوان در پیش‌بینی توالی‌های miRNA بهدقت بالایی دست یافت.
مقدمه و هدف: توسعه مداوم فناوری‌های مولکولی مورد استفاده برای تجزیه و تحلیل رونوشت‌ها، به‌ویژه فناوری‌های توالی‌یابی نسل بعدی و ابزارهای پیشرفته بیوانفورماتیک، امکان کاوش عمیق‌تر RNAهای پیام‌رسان (mRNAs) و RNAهای غیرکد کننده (ncRNA) از جمله miRNAها را فراهم می‌کند. این فناوری‌ها فرصت‌های بزرگی را برای اکتشاف عمیق‌تر دخالت miRNAها در بیماری‌های حیوانات مزرعه و همچنین بهره‌وری و رفاه دام ارائه نمودند. از زمان کشف lin-4 و let‑7، هزاران miRNA در گونه‌های حیوانات مزرعه شناسایی و در پایگاه‌های داده miRNA ثبت شده‌اند. miRNAها را میتوان بهعنوان نشانگرهای زیستی، اهداف تشخیصی، پیشآگهی و درمانی برای مدیریت بیماری‌های دام استفاده کرد. با تعیین توالی ژنوم گاو (Bos Taurus)، فرصتی برای کشف miRNAهای جدید در این گونه فراهم خواهد شد. از آنجاییکه تعیین توالی و ساختار miRNA ها بهصورت آزمایشگاهی هزینهبر و زمانبر است، بنابراین این پژوهش با هدف استفاده از روش‌های محاسباتی مبتنی بر یادگیری ماشین بهمنظور پیش‌بینی microRNAها در ژنوم گاو انجام شد.
مواد و روشها: یافتن روشی دقیق برای شناسایی مولکولهای miRNA میتواند به درک فرآیندهای تنظیمی کمک کند. در حال حاضر روش‌های محاسباتی مبتنی بر الگوریتم‌های یادگیری بهطور گسترده برای پیش‌بینی miRNAها استفاده می‌شوند. با الهام از سایر تحقیقات انجام شده در زمینه شناسایی miRNAها، یک مدل محاسباتی بهبود یافته یادگیری ماشین برای شناسایی توالی‌های پیشساز miRNAهای واقعی (pre-miRNA) پیشنهاد شد. در مرحله اول فراوانی توالی‌های دو نوکلئوتیدی ژن‌های pre-miRNA و محتوای بازهای سیتوزین و گوانین (G+C) در توالی‌ها در نظر گرفته شد. ترکیب دینوکلئوتیدی مشاهده شده بهعنوان ویژگی‌های ساختاری ترکیب توالی برای هر ژن miRNA محاسبه شد. مجموع ترکیبات دو نوکلئوتیدی در گونه گاو (Bos Taurus) با محتویات ژنومی G+C برای 1064 توالی miRNA و توالی‌های غیر miRNA محاسبه شد. در مرحله بعد دو مدل طبقه‌بندی مبتنی بر رویکرد یادگیری ماشین برای شناسایی pre-miRNA های واقعی و شبه واقعی آموزش داده شدند. مجموعه‌ای از 17 ویژگی بهینه شده مربوط به ساختارهای توالی برای آموزش مدل‌ها استفاده شد. این مدل‌ها با روش اعتبارسنجی متقاطع 10 تایی آموزش یافتند و اعتبارسنجی شدند.
یافته‌ها: هدف بررسی عملکرد پیش‌بینی طبقه‌بندی کنندهها براساس ویژگی‌های RNA در تشخیص pre-miRNAها از سایر توالی‌ها بود. مدل آنالیز شده در این پژوهش با استفاده از مجموعه دادههای گاو (Bos Taurus) بهدقت 99 درصد و ضریب همبستگی متیو 97/9 درصد دست یافت.
نتیجهگیری: روش‌های محاسباتی هوش مصنوعی می‌توانند miRNAهای بالقوه جدیدی را در ژنوم گاو شناسایی کنند که برخی از آنها قبلاً در این ژنوم شناسایی نشده بودند. در نتیجه لزوم استفاده از روش‌های محاسباتی جهت شناسایی این RNAهای تنظیمی در دام‌ها جهت اهداف اصلاحی ضروری به‌منظر می‌رسد. نتایج این پروژه نشان داد که تنها با استفاده از ویژگی‌های ساختاری دو نوکلئوتیدی میتوان در پیش‌بینی توالی‌های miRNA بهدقت بالایی دست یافت.
نوع مطالعه: پژوهشي |
موضوع مقاله:
ژنتیک و اصلاح نژاد دام
دریافت: 1402/3/10 | ویرایش نهایی: 1402/9/22 | پذیرش: 1402/6/28 | انتشار: 1402/9/22
دریافت: 1402/3/10 | ویرایش نهایی: 1402/9/22 | پذیرش: 1402/6/28 | انتشار: 1402/9/22
فهرست منابع
1. Abbas, Q., Raza, S., Biyabani, A., & Jaffar, M. (2016). A review of computational methods for finding non-coding RNA genes. Genes, 7(12), 113. [DOI:10.3390/genes7120113]
2. Akhtar, M. M., Micolucci, L., Islam, M. S., Olivieri, F., & Procopio, A. D. (2016). Bioinformatic tools for microRNA Finding Non-Coding RNA Genes. Nucleic Acids Research, 44(1), 24-44. [DOI:10.1093/nar/gkv1221]
3. Barazandeh, A., Mohammadabadi, M., Ghaderi-Zefrehei, M., Rafeie, F., & Imumorin, I. G. (2019). Whole genome comparative analysis of CpG islands in camelid and other mammalian genomes. Mammalian Biology, 98, 73-79. [DOI:10.1016/j.mambio.2019.07.007]
4. Barazandeh, A., Mohammadabadi, M. R., Ghaderi-Zefrehei, M., & Nezamabadipour, H. (2016). Predicting CpG islands and their relationship with genomic feature in cattle by hidden markov model algorithm. Iranian Journal of Applied Animal Science, 6(3), 571-579.
5. Barazandeh, A., Mohammadabadi, M. R., Ghaderi-Zefrehei, M., & Nezamabadi-Pour, H. (2016). Genome-wide analysis of CpG islands in some livestock genomes and their relationship with genomic features. Czech Journal of Animal Science, 61(11), 487-495. [DOI:10.17221/78/2015-CJAS]
6. Batuwita, R., & Palade, V. (2009). microPred: Effective classification of pre-miRNAs for human miRNA gene prediction. Bioinformatics, 25(8), 989-995. [DOI:10.1093/bioinformatics/btp107]
7. Bentwich, I. (2005). Prediction and validation of microRNAs and their targets. FEBS Letters, 579(26), 5904-5910. [DOI:10.1016/j.febslet.2005.09.040]
8. Bordbar, F., Mohammadabadi, M., Jensen, J., Xu, L., Li, J., & Zhang, L. (2022). Identification of candidate genes regulating carcass depth and hind leg circumference in simmental beef cattle using Illumina Bovine Beadchip and next-generation sequencing analyses. Animals, 12(9), 1103. [DOI:10.3390/ani12091103]
9. Castel, S. E., & Martienssen, R. a. (2013). RNA interference in the nucleus: roles for small RNAs in transcription, epigenetics and beyond. Nature Reviews. Genetics, 14(2), 100-112. [DOI:10.1038/nrg3355]
10. Chen, D., Du, Y., Chen, H., Fan, Y., Fan, X., Zhu, Z., Wang, J. J., Xiong, C., Zheng, Y., Hou, C., Parveen, A., Mustafa, S. H., Yadav, P., Kumar, A., Wang, H., Ma, Y., Dong, C., Li, C., Wang, J. J., & Ciaudo, C. (2019). Applications of Machine Learning in miRNA Discovery and Target Prediction. Nucleic Acids Research, 10(1), 414656. [DOI:10.1186/s12967-019-2009-x]
11. Chen, J., Wang, X., & Liu, B. (2016). iMiRNA-SSF: Improving the Identification of MicroRNA Precursors by Combining Negative Sets with Different Distributions. Scientific Reports, 6(October 2015), 19062. [DOI:10.1038/srep19062]
12. Das, S. G., Chakraborty, H. J., & Datta, A. (2018). PremipreD: precursor miRNA prediction by support vector machine approach. Trends in Bioinformatics, 11(1), 17-24. [DOI:10.3923/tb.2018.17.24]
13. de ON Lopes, I., Schliep, A., & de LF de Carvalho, A. C. P. (2014). The discriminant power of RNA features for pre-miRNA recognition. BMC Bioinformatics, 15(1), 1-11. [DOI:10.1186/1471-2105-15-124]
14. de Sousa, M. A. P., de Athayde, F. R. F., Maldonado, M. B. C., de Lima, A. O., Fortes, M. R. S., & Lopes, F. L. (2021). Single nucleotide polymorphisms affect miRNA target prediction in bovine. PLoS ONE, 16(4 April), 1-17. [DOI:10.1371/journal.pone.0249406]
15. De Souza, E. B., Cload, S. T., Pendergrast, P. S., & Sah, D. W. Y. (2009). Novel therapeutic modalities to address nondrugable protein interaction targets. Neuropsychopharmacology : Official Publication of the American College of Neuropsychopharmacology, 34(1), 142-158. [DOI:10.1038/npp.2008.115]
16. Demirci, M. D. S., & Allmer, J. (2017). Delineating the impact of machine learning elements in pre-microRNA detection. PeerJ, 5, e3131. [DOI:10.7717/peerj.3131]
17. Do, B. T., Golkov, V., Gürel, G. E., & Cremers, D. (2018). Precursor microRNA Identification Using Deep Convolutional Neural Networks. bioRxiv, 414656. [DOI:10.1101/414656]
18. Do, D. N., Dudemaine, P.-L., Mathur, M., Suravajhala, P., Zhao, X., & Ibeagha-Awemu, E. M. (2021). MiRNA Regulatory Functions in Farm Animal Diseases, and Biomarker Potentials for Effective Therapies. International Journal of Molecular Sciences, 22(6), 3080. [DOI:10.3390/ijms22063080]
19. Douglass, S., Hsu, S. W., Cokus, S., Goldberg, R. B., Harada, J. J., & Pellegrini, M. (2016). A naïve Bayesian classifier for identifying plant microRNAs. In The Plant journal : for cell and molecular biology (Vol. 86, Issue 6, pp. 481-492). [DOI:10.1111/tpj.13180]
20. Fan, D., Yao, Y., & Yi, M. (2021). Plantmirp2: An accurate, fast and easy-to-use program for plant pre-mirna and mirna prediction. In Genes (Vol. 12, Issue 8). [DOI:10.3390/genes12081280]
21. Fu, X., Zhu, W., Cai, L., Liao, B., Peng, L., Chen, Y., & Yang, J. (2019). Improved pre-miRNAs identification through mutual information of pre-miRNA sequences and structures. Frontiers in Genetics, 10(FEB), 1-12. [DOI:10.3389/fgene.2019.00119]
22. Ghotbaldini, H., Mohammadabadi, M., Nezamabadi-pour, H., Babenko, O. I., Bushtruk, M. V., & Tkachenko, S. V. (2019). Predicting breeding value of body weight at 6-month age using Artificial Neural Networks in Kermani sheep breed. Acta Scientiarum. Animal Sciences, 41. [DOI:10.4025/actascianimsci.v41i1.45282]
23. Ghotbaldini H.R., Mohammadabadi M.R., & Nezamabadi Pour, H. (2017). Application of artificial intelligence for estimating breeding value of body weight in birth and 3 months age in Kermani sheep breed. Journal of Modern Genetics, 12(3), 323-331.
24. Huang, Y., Zou, Q., Ren, H. T., & Sun, X. H. (2015). Prediction and characterization of microRNAs from eleven fish species by computational methods. Saudi Journal of Biological Sciences, 22(4), 374-381. [DOI:10.1016/j.sjbs.2014.10.005]
25. Jiang, P., Wu, H., Wang, W., Ma, W., Sun, X., & Lu, Z. (2007). MiPred: Classification of real and pseudo microRNA precursors using random forest prediction model with combined features. Nucleic Acids Research, 35(SUPPL.2), W339-W344. [DOI:10.1093/nar/gkm368]
26. Khan, A., Shah, S., Wahid, F., Khan, F. G., & Jabeen, S. (2017). Identification of microRNA precursors using reduced and hybrid features. Molecular Biosystems, 13(8), 1640-1645. [DOI:10.1039/C7MB00115K]
27. Lertampaiporn, S., Thammarongtham, C., Nukoolkit, C., Kaewkamnerdpong, B., & Ruengjitchatchawalya, M. (2014). Identification of non-coding RNAs with a new composite feature in the Hybrid Random Forest Ensemble algorithm. Nucleic Acids Research, 42(11), e93-e93. [DOI:10.1093/nar/gku325]
28. Li, L., Xu, J., Yang, D., Tan, X., & Wang, H. (2010). Computational approaches for microRNA studies: a review. Mammalian Genome, 21(1-2), 1-12. [DOI:10.1007/s00335-009-9241-2]
29. Liao, B., Jiang, Y., Liang, W., Zhu, W., Cai, L., & Cao, Z. (2014). Gene selection using locality sensitive Laplacian score. IEEE/ACM Transactions on Computational Biology and Bioinformatics, 11(6), 1146-1156. [DOI:10.1109/TCBB.2014.2328334]
30. Liu, B., Liu, F., Wang, X., Chen, J., Fang, L., & Chou, K.-C. (2015). Pse-in-One: a web server for generating various modes of pseudo components of DNA, RNA, and protein sequences. Nucleic Acids Research, 43(W1), W65-W71. [DOI:10.1093/nar/gkv458]
31. Lu, Z. J., Yip, K. Y., Wang, G., Shou, C., Hillier, L. W., Khurana, E., Agarwal, A., Auerbach, R., Rozowsky, J., & Cheng, C. (2011). Prediction and characterization of noncoding RNAs in C. elegans by integrating conservation, secondary structure, and high-throughput sequencing and array data. Genome Research, 21(2), 276-285. [DOI:10.1101/gr.110189.110]
32. Magyar, L. (2018). A Review of the Utility of Bayesian Network Models. The University of Akron. Honors Research Projects. 689.
33. Moradian, H., Esmailizadeh Koshkoiyeh, A., Mohammadabadi, M., & Asadi Fozi, M. (2020). Whole genome detection of recent selection signatures in Sarabi cattle: a unique Iranian taurine breed. Genes & Genomics, 42, 203-215. [DOI:10.1007/s13258-019-00888-6]
34. ON Lopes, I. de, Schliep, A., & de LF de Carvalho, A. P. (2016). Automatic learning of pre-miRNAs from different species. BMC Bioinformatics, 17(1), 1-18. [DOI:10.1186/s12859-016-1036-3]
35. Pan, X., Chen, L., Feng, K. Y., Hu, X. H., Zhang, Y.-H., Kong, X. Y., Huang, T., & Cai, Y. D. (2019). Analysis of expression pattern of snoRNAs in different cancer types with machine learning algorithms. International Journal of Molecular Sciences, 20(9), 2185. [DOI:10.3390/ijms20092185]
36. Park, S., Min, S., Choi, H. S., & Yoon, S. (2017). Deep recurrent neural network-based identification of precursor micrornas. Advances in Neural Information Processing Systems, 30.
37. Peng, L., Peng, M., Liao, B., Huang, G., Li, W., & Xie, D. (2018). The advances and challenges of deep learning application in biological big data processing. Current Bioinformatics, 13(4), 352-359. [DOI:10.2174/1574893612666170707095707]
38. Pour Hamidi, S., Mohammadabadi, M. R., Asadi Foozi, M., & Nezamabadi-Pour, H. (2017). Prediction of breeding values for the milk production trait in Iranian Holstein cows applying artificial neural networks. Journal of Livestock Science and Technologies, 5(2), 53-61.
39. Pritchard, C. C., Cheng, H. H., & Tewari, M. (2012). MicroRNA profiling: approaches and considerations. Nature Reviews Genetics, 13(5), 358-369. [DOI:10.1038/nrg3198]
40. Ren, S., Liao, B., Zhu, W., Li, Z., Liu, W., & Li, K. (2018). The gradual resampling ensemble for mining imbalanced data streams with concept drift. Neurocomputing, 286, 150-166. [DOI:10.1016/j.neucom.2018.01.063]
41. Stegmayer, G., Yones, C., Kamenetzky, L., & Milone, D. H. (2016). High class-imbalance in pre-miRNA prediction: a novel approach based on deepSOM. IEEE/ACM Transactions on Computational Biology and Bioinformatics, 14(6), 1316-1326. [DOI:10.1109/TCBB.2016.2576459]
42. Tran, V. D. T., Tempel, S., Zerath, B., Zehraoui, F., & Tahi, F. (2015). miRBoost: boosting support vector machines for microRNA precursor classification. RNA (New York, N.Y.), 21(5), 775-785. [DOI:10.1261/rna.043612.113]
43. Tzelos, T., Ho, W., Charmana, V. I., Lee, S., & Donadeu, F. X. (2022). MiRNAs in milk can be used towards early prediction of mammary gland inflammation in cattle. Scientific Reports, 12(1), 1-8. [DOI:10.1038/s41598-022-09214-9]
44. Wang, H., Ma, Y., Dong, C., Li, C., Wang, J., & Liu, D. (2019). CL-PMI: A Precursor MicroRNA Identification Method Based on Convolutional and Long Short-Term Memory Networks. Frontiers in Genetics, 10(October), 1-13. [DOI:10.3389/fgene.2019.00967]
45. Wang, Y., Chen, X., Jiang, W., Li, L., Li, W., Yang, L., Liao, M., Lian, B., Lv, Y., Wang, S., Wang, S., & Li, X. (2011). Predicting human microRNA precursors based on an optimized feature subset generated by GA-SVM. Genomics, 98(2), 73-78. [DOI:10.1016/j.ygeno.2011.04.011]
46. Wei, L., Liao, M., Gao, Y., Ji, R., He, Z., & Zou, Q. (2014). Improved and promising identificationof human microRNAs by incorporatinga high-quality negative set. IEEE/ACM Transactions on Computational Biology and Bioinformatics, 11(1), 192-201. [DOI:10.1109/TCBB.2013.146]
47. Wei, L., Tang, J., & Zou, Q. (2017). Local-DPP: an improved DNA-binding protein prediction method by exploring local evolutionary information. Information Sciences, 384, 135-144. [DOI:10.1016/j.ins.2016.06.026]
48. Xue, C., Li, F., He, T., Liu, G.-P., Li, Y., & Zhang, X. (2005). Classification of real and pseudo microRNA precursors using local structure-sequence features and support vector machine. BMC Bioinformatics, 6, 310. [DOI:10.1186/1471-2105-6-310]
49. Yao, D., Zhan, X., & Kwoh, C. K. (2019). An improved random forest-based computational model for predicting novel miRNA-disease associations. In BMC Bioinformatics, 20(1). [DOI:10.1186/s12859-019-3290-7]
50. Yousef, M., Khalifa, W., Acar, İ. E., & Allmer, J. (2017). MicroRNA categorization using sequence motifs and k-mers. BMC Bioinformatics, 18, 1-9. [DOI:10.1186/s12859-017-1584-1]
51. Yousef, M., Nebozhyn, M., Shatkay, H., Kanterakis, S., Showe, L. C., & Showe, M. K. (2006). Combining multi-species genomic data for microRNA identification using a Naive Bayes classifier. Bioinformatics, 22(11), 1325-1334. [DOI:10.1093/bioinformatics/btl094]
52. Zhang, J., Hadj-Moussa, H., & Storey, K. B. (2016). Current progress of high-throughput microRNA differential expression analysis and random forest gene selection for model and non-model systems: an R implementation. Journal of Integrative Bioinformatics, 13(5), 306. [DOI:10.1515/jib-2016-306]
53. Zhang, W., & Wang, S. L. (2017). An integrated framework for identifying mutated driver pathway and cancer progression. IEEE/ACM Transactions on Computational Biology and Bioinformatics, 16(2), 455-464. [DOI:10.1109/TCBB.2017.2788016]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
