BP神经网络能帮助改善Pre-miRNA识别在不同的物种

文摘

小分子核糖核酸(microrna)是一组短(nt 21 - 24日)非编码rna在细胞发挥重要的监管作用。在过去的几年中,miRNA-related问题研究已成为一个热门的生物信息学领域因为microrna的重要的生物功能。miRNA-related生物信息学分析是有益的在几个方面,包括microrna的功能和其他基因,microrna mrna和他们的目标之间的监管网络,甚至生物进化。区分从其他时发针形般的序列microrna的前兆是重要的,是一个重要的过程在小说检测小分子核糖核酸。在这项研究中,我们使用反向传播(BP)神经网络与98 -维微rna前体识别的新特性。结果表明,我们的方法的精度和召回95.53%和96.67%,分别。结果进一步证明我们的方法是近13.17%的总预测精度比最先进的微rna前体预测软件工具。

1。介绍

小分子核糖核酸是一些最重要的非编码RNA基因,而短的长度。他们控制整个生物体基因表达的转录后的水平(1]。microrna的广泛参与人体的代谢活动以及在许多重要的生命过程,包括细胞增殖和细胞凋亡,细胞分化,植物和动物的生长和发育、器官形成(2- - - - - -4]。最近,一些研究已经表明,小分子核糖核酸与几位癌症相关5- - - - - -7和其他疾病8- - - - - -10]。Caligiuri et al。11)建议方法和作品涉及microrna是有用的治疗各种疾病和癌症。一些microrna被认为是各种疾病的潜在治疗靶点[12]。最近,目标基因(癌基因)药物,依法开发理论microrna基因沉默,已经使用了不可治愈的疾病已成为威胁人类健康的问题多年来(13]。此外,病毒基因组编码可以大量的microrna。通过结合靶基因和编码由病毒或宿主细胞,这些microrna可以导致免疫逃避或对宿主细胞的抗病毒作用。因此,microrna的准确预测和目标基因,以及microrna的机制的正确认识,医学治疗中具有非常重要的现实意义。因此,研究小说microrna的识别是相当必要的。

特征选择主要主导的性能预测模型在机器学习过程(14- - - - - -20.]。此外,有效的特征可以代表整个序列数据的特点,使易于构建更好的预测模型。代表微rna前体,雪et al。21)提出了32 d小说三重功能,涉及二级结构信息。江et al。22)发现,随机重排序列可以获得重要的自由能的特性。然而,许多随机重排序列的自由能计算非常耗时。魏et al。23)结合雪等的特性和三联体核苷酸频率98 d的特性和人类pre-miRNA识别获得了良好的性能结果。然而,更多的功能并不意味着更好的性能,因为一些不相关和冗余特性的高维度或超高维特性集。特征选择的目的是消除不相关和冗余的特征特性。此外,培训时间可以有效地减少了特征选择优化(24]。一些研究将重点发展计算预测的序列号或结构序列的影响25,26]。几个工作表明,适当的特性可以提高分类的预测性能在一定程度上。例如,王et al。27)使用特征选择技术来优化miR-SF的特性。他们证明了一个优化的特征子集可以提高预测的性能。此外,一些流行最近提出的多目标优化进化算法也可以用作可能有前途的特征选择方法(28,29日]。

另一个因素影响机器学习的性能预测方法的分类器算法。不同分类器的选择常常会导致分类结果的差异。几种不同的分类器和策略被用于microrna的识别。贝叶斯分类器算法检测预测microrna在不同物种在2006年(30.]。该方法还利用了多个种microrna的序列和结构特点。它证明microrna基因可以有效地检测到不同物种基因组的大规模。

MiPred分类器测试预测microrna在2007年(22]。该方法利用随机森林分类器的算法。的预测精度高于Triplet-SVM MiPred是10%;的敏感性和特异性MiPred可以达到95.09%和98.21%。CSHMM分类器还用于采矿microrna从基因组序列31日),利用马尔可夫模型。总的来说,机器学习算法的准确性高达90%。机器学习方法比其他方法更准确。

在这项研究中,我们选择反向传播神经网络作为分类器。它有三个优点,包括更好的泛化性能,加快学习速度,和良好的学习能力。

2。microrna与BP神经网络识别

2.1。Pre-miRNA特性

2.1.1。只的频率

一些研究表明,当地的主要序列pre-miRNA序列[至关重要32]。因此,蟋蟀频率通常申请功能映射的选择主要序列特性(33,34]。但是,没有好的方法还可用于调优的价值。一般来说,我们选择通过对比的效果蟋蟀频率不同值。在我们的特性,我们选择的不同值()进行比较。不同的频率特征在分类器几乎相同的效果。因此,考虑到它的基地和邻近基地实际的生物学意义。我们选择如3所示。64 (维频率特性计算。

2.1.2。三重结构序列

除了高特异性的主要序列特性,pre-miRNA的二级结构序列也是一个因素。分析二级结构的贡献,二级结构预测软件RNAfold是用来计算潜在的结构。在二级结构,每个核苷酸的序列对应于两种状态,匹配和nonmatching:记录匹配为“(”和“)”和nonmatching”·。”结构,三个字符组是视为一个单位,和每个“)”被替换为“(。“因此,8 ()不同组合可作为一个单元,包括”(((,“((·,”“(·(“”·(("(··,”“·(·,”“··,”和“···”。

更好地描述pre-miRNA序列,第一个核苷酸相应的子序列添加到每个结构单元的面前。这提供了32不同的组合,也就是说,“(((,”“U ((“…,”G··((,”“G···。”序列,确定每个组合的出现频率和编码到32 d作为分类器的输入特征向量。这个计算32 d三重结构序列特性是用来训练SVM分类器;包含支持向量机分类器的分类能力的显著提升pre-miRNA序列(21]。

2.1.3。能量特征

真正的pre-miRNA序列通常更加稳定和显示较低的自由能最小比随机生成的pre-miRNA (MFE)。因此,能量特征通常是用来描述结构pre-miRNA序列pre-miRNA序列的特征提取的一个方面。为此,MFE值是通过使用RNAfold计算结构。

2.1.4。结构多样性的特点

潜在的核苷酸序列中的配对是一个重要的特点,还可以用来描述pre-miRNA序列。这既包括传统的沃森克里克核苷酸配对(u配对和c g配对)以及其他形式的核苷酸配对,比如gu配对,可以发生在RNA发夹结构的循环。我们在描述可能包括gu配对碱基配对。

总而言之,我们提取98功能的输入神经网络,包括64 -维的频率特性,蟋蟀32-dimensional三重结构序列特点,一维的能量特性,和一维结构的多样性特征。

2.2。修复在隐藏层节点的数目

一般来说,选择隐层节点的数量改变了BP神经网络结构是很困难的。从技术上讲,一个隐藏层可以方便操作。然而,太多的隐藏层可以减少手术率。

目前,没有理论方法可用来解决隐层的节点数。然而,通常依赖于经验公式,计算 在哪里代表隐藏层的神经元数,输入层的神经元数,输出层的神经元数量,1到10之间是一个常数。

在这项研究中,和。因此,(1)可用于任何值11至20。培训的综合分析结果与隐层中不同数量的节点进行误差设置为0.0001。总共有621个样本用于训练网络,和一个样本用于测试网络。结果如表所示1。

从数据表所示1,隐层节点数的增加并没有导致更好的收敛性。此外,增加的节点数量增加了网络参数,大大提高分类器的计算量。因此,保持13节点所需的隐藏层仍然相对较少的训练时间和更少的错误和产生相对良好的培训效果。

2.3。固定在输出层节点的数目

两种输出存在,积极和消极,也表示为1的正样本和0负样本。拓扑结构的基于BP神经网络的预测方法如图1。

2.4。选择训练样本和测试模型

训练样本的收集和组织往往受到客观条件限制。适当的训练样本数量必须达到足够的精度。因此,它指的是规则的经验: 在哪里代表了训练样本的数量是网络连接的总重量等于输入层和隐层的节点的总和。在这项研究中,2236个样本用于培训。

数据集用于pre-miRNAs下载http://bioinf.sce.carleton.ca/SMIRP(35),这些数据包括正面和负面的样本拟南芥lyrata。FASTA文件转换为使用jar包ARFF文件由Java编写参考指数转换成数字形式。我们随机选择真正pre-miRNAs和伪pre-miRNAs评估算法。

2.5。基于BP误差评估步骤

结构的智能诊断模型包含三层98-13-1。首先,我们设置节点的输入,输出,和隐藏层,,,分别。假设训练样本集输入层和隐层之间的权重矩阵可以写成,在那里和。我们假设隐层和输出层之间的连接权矩阵,在那里,。然后,分别和每个节点的激活函数的隐层和输出层。为了简化推导过程,我们使用向量函数为,在那里。后输入的样本,实际的输出可以被计算

误差函数中定义

客观地讲,BP训练是计算的目标和最小化误差函数的解决方案。,结合梯度下降法,使用普遍,和简单的衍生品。为了简化推导过程,我们得到

然后,误差函数可以写成

相应的梯度的函数和可以表示为

对于任意的初始值和梯度下降规则修改的重量BP学习算法应用于 在哪里代表了学习效率。误差函数的偏导数是相对的。误差函数的偏导数是相对的。

2.6。选择的训练函数和相关参数

上述分析允许修正的BP神经网络结构。表2显示所选择的训练函数和相关参数。

这种情况允许建立一个完整的基于BP神经网络分类器结构。总结了模型生成和培训2。

2.7。测量

模式识别和机器学习方法的使用可以用作双向分类问题。四种预测结果展示在表3。

四种预测结果真阳性(TP),阳性病例的数量是正确预测;假阳性(FP),阳性病例的数量由错误的预测;真阴性(TN),纠正负面的例子的数量是正确预测;和假阴性(FN),负的情况下由错误的预测。

许多评价指标可用于分类的结果。首先,准确率(ACC)的比率是正确预测情况下对整个数据集。精度和召回也可以作为评价指标的测试模式识别模型。精度表示为正确预测的比例值为整个正面的数据集和召回数量反映了正确判断作为积极的正面例子例子测试集(36]。上述三个指标表示

此外,敏感性和特异性参数可以用来评估模型的功能。灵敏度记录(SE)是一样的回忆和特异性(SP)计算按照记录

一个挑战可能提出如果正面和负面测试集是不平衡的生物信息的研究。在大多数情况下,数量的正样本的数量远低于负样本。在一些情况下,积极的样本的数量可能会远远大于负样本的数量。我们可以很容易地获得ACC-SP当阳性样本的数量大于负样本。在这种情况下,分类器只反映了负样本的分类效果和无法准确表达的预测效果在整个测试数据集分类器。为了解决这个问题,研究者通常使用几何平均(通用汽车)中描述

马修的相关系数(MCC) [16,21,37,38时)可以提供更公平的响应预测能力之间存在很大差异的数量正样本和负样本。世纪挑战集团可以表示为

目前,研究上面的microrna的通常使用一个或多个评价指标。在这项工作中,我们估计的分类器的整体性能分析ACC, SE, SP,通用,MCC。

3所示。结果与讨论

3.1。特性集的分析性能

选择一个更好的分类特性,我们需要确定不同的特征子集的影响分类器的性能。要做到这一点,我们用BP神经网络方法相同的训练集(553份阳性样本和1150个样本)来测试不同的特性集,结果见表4。

从表4,我们知道完整的特性集的准确性可以高达93.42%。这一结果表明我们的特性集更有效的处理更复杂的结构或序列的多样性。考虑到这里使用的特性集不是非常大,每个特性子集是高度独立,降低特征向量的维数不再是必要的。

3.2。英国石油公司的表现

倍交叉验证与温和的计算复杂度是广泛用于模型选择。的选择是很重要的,因为不仅决定了样品的数量也决定了计算复杂度。通常,一个值选择5和10之间基于经验。当统计性能毫无改进选择大于10。再次,必须考虑计算复杂度;因此在5到10之间的一个值是最好的32]。

我们将样品分为两种情况进行训练和测试。在第一个,一个大的区别是观察之间的正负样本的数量:518份阳性样本和1078年负样本作为训练集,166正样本和负样本366测试集。第二例包含相同数量的正负样本:552份阳性样本和552年负样本作为训练集,138正样本和负样本138测试集。这些训练和测试是重复五次。所示的测试性能数据3和4。

从比较中数据的数据3和4之间无显著差异,观察每一个测试的实际输出和期望输出。如上所述,参考的评价指数如表所示5。

从数据表中给出5,样品的数量影响的积极的准确率和召回率样本。特别是,负样本的精度和召回率下降与减少负样本训练集的数量。这一结果表明,样本在训练过程中,分类器的分类效果越好。同时,精度和召回率的正样本的数量受到影响。负样本训练集的数量增加,正确预测的数量增加了四个,错误预测的数量减少了八个。这个结果表明,阳性样品的精度和召回率下降的数量增加负样本。

3.3。与其他方法相比

我们的方法与其他方法相比的性能:J48,随机森林,LibD3C [39),演算法,字符串内核支持向量机(40)、LibSVM GBDT,分类在相同的数据集,数据集包含691真实pre-miRNAs和1437伪pre-miRNAs。如表所示6和图5的总预测精度,结果表明我们的方法是13.64%大于字符串内核支持向量机模型和近2%大于LibD3C和LibSVM模型。模型的整体性能以MCC是按照以下顺序:GBDT(0.8682),英国石油公司(0.8662),LibSVM (0.8510), LibD3C(0.8510),演算法(0.8120),(0.7720),随机森林J48(0.7200),和字符串内核支持向量机(0.6002)。

因此,我们得出这样的结论:BP方法允许提高识别精度。

3.4。表现在不同的物种

证明的有效性和BP方法的普遍适用性,我们分析了六个其他物种:安乐有害无益,拟南芥,黑腹果蝇,果蝇pseudoobscura,巴尔病毒非洲爪蟾蜍tropicalis。结果如图6表明GBDT的准确性比BP方法在某些情况下,但BP方法已经取得了相当不错的成绩ACC,精度,召回,MCC。

4所示。结论

识别microrna的第一步是了解其生物学特性。提出了很多方法来预测pre-miRNAs近年来。然而,这些方法的特征提取可以导致信息冗余。为了克服这个缺点,BP神经网络算法与最优98 d功能是用于分析。我们我们的J48方法与现有的方法相比,随机森林,LibD3C,演算法,GBDT,字符串内核支持向量机,和LibSVM训练在同一训练数据集。结果表明,我们的方法是13.17%的总预测精度大于字符串内核支持向量机模型和近2%大于LibD3C LibSVM。

识别步骤后,功能分析为microrna的研究也很重要。如果人类microrna的和疾病都集中在两个主要方法是用来预测的关系。第一个是microrna的统计比较分析或isomiR表达式(41]。第二个是网络分析和预测miRNA-disease关系(42- - - - - -45]。一些先进的机器学习、网络技术和bioinspired模型可以利用这个问题,包括随机森林(46],semisupervised学习[47),HeteSim分数(48P),强化神经系统(49- - - - - -52),而膜computing_ENREF_51(53- - - - - -57]。小说的功能分析发现microrna是我们未来的工作。

相互竞争的利益

作者宣称没有利益冲突。

确认

这项工作是由中国自然科学基金会(没有。61370010也没有。61302139)和药用化学生物学国家重点实验室在中国。

引用

1. d . p . Bartel,”小分子核糖核酸:基因组学、生物起源、机制和功能,“细胞,卷116,不。2、281 - 297年,2004页。视图:出版商的网站|谷歌学术搜索
2. d . Wu y黄,j·康et al .,“ncRDeathDB:一个全面的生物信息学资源为破解网络ncRNA-mediated细胞死亡的组织系统,”自噬,11卷,不。10日,1917 - 1926年,2015页。视图:出版商的网站|谷歌学术搜索
3. y黄:刘、王j.p. et al .,“监管长非编码RNA及其功能。”生理学和生物化学杂志》上,卷68,不。4、611 - 618年,2012页。视图:出版商的网站|谷歌学术搜索
4. 张x, d, l . Chen等人“突袭:一个全面的资源对人类RNA-associated (RNA-RNA / rna蛋白质)相互作用,“核糖核酸,20卷,不。7,989 - 993年,2014页。视图:出版商的网站|谷歌学术搜索
5. 华,w . Yun, z志强和邹,“小分子核糖核酸的讨论癌症,”目前的生物信息学,9卷,不。5,453 - 462年,2014页。视图:出版商的网站|谷歌学术搜索
6. l .问:Wang Wei,关x, y,邹,z .霁,”简报在家庭小分子核糖核酸的特点及其应用在癌症研究中,“Biochimica et Biophysica Acta-Proteins和蛋白质组学,卷1844,不。1,第197 - 191页,2014。视图:出版商的网站|谷歌学术搜索
7. 高c, d, l . et al .,“竞争内源性RNA在人类癌症网络:假设,验证,和视角,”Oncotarget,7卷,不。12日,第13490 - 13479页,2016年。视图:谷歌学术搜索
8. 曾x, x张,问:邹”综合方法预测微rna的功能和优先疾病microRNA使用生物交互网络,”简报的生物信息学,17卷,不。2、193 - 203年,2016页。视图:出版商的网站|谷歌学术搜索
9. 问:邹,j .李问:香港et al .,“microRNA-disease协会预测基于社会网络分析方法,”生物医学研究的国际ID 810514条,卷。2015年,9页,2015。视图:出版商的网站|谷歌学术搜索
10. l . y . Wang Chen b . Chen等人“哺乳动物ncRNA-disease存储库:ncRNA-mediated疾病网络的全局视图”细胞死亡和疾病,4卷,不。8篇文章e765 2013。视图:出版商的网站|谷歌学术搜索
11. m·a·Caligiuri j . Yu s .他和r . Trott”激活先天免疫的microrna的癌症和感染治疗,”美国专利,2016年。视图:谷歌学术搜索
12. h .周x通用电气,x天雪,“小分子核糖核酸监管及其作为生物标志物在疾病,”肿瘤学和转化医学,卷2,不。1,39-46,2016页。视图:谷歌学术搜索
13. p·s·凯利,c·加拉格尔m . Clynes和n . Barron”守恒的microRNA函数作为中国仓鼠卵巢细胞工程的基础”生物技术信,37卷,不。4、787 - 798年,2015页。视图:出版商的网站|谷歌学术搜索
14. 问:邹,曾庆红j . l .曹,r .霁”小说特征与应用程序排名指标可伸缩的视觉和生物信息学数据分类,“Neurocomputing卷,173年,第354 - 346页,2016年。视图:出版商的网站|谷歌学术搜索
15. W.-X。刘,E.-Z。邓、陈w·和·h·林”,确定电压门控钾通道的亚科使用特征选择技术,”国际分子科学杂志》上,15卷,不。7,12940 - 12951年,2014页。视图:出版商的网站|谷歌学术搜索
16. h·唐•陈(george w . bush)和h·林,“识别使用周免疫球蛋白的伪氨基酸组成和特征选择技术,”分子生物系统,12卷,不。4、1269 - 1275年,2016页。视图:出版商的网站|谷歌学术搜索
17. p。朱,观测。李,Z.-J。钟et al .,“分枝杆菌蛋白质的亚细胞定位预测将最优三肽纳入伪氨基酸组成的一般形式,“分子生物系统,11卷,不。2、558 - 563年,2015页。视图:出版商的网站|谷歌学术搜索
18. h .叮,下午。冯、陈w和h .林”,鉴定噬菌体病毒粒子方差分析蛋白质的特征选择和分析,“分子生物系统,10卷,不。8,2229 - 2235年,2014页。视图:出版商的网站|谷歌学术搜索
19. h .叮,工程学系。郭,E.-Z。邓et al .,“预测Golgi-resident蛋白质类型通过使用特征选择技术,”化学计量学和智能实验室系统卷。124年,第四,2013页。视图:出版商的网站|谷歌学术搜索
20. h·丁·h·林,w . Chen等人“预测蛋白质结构类基于特征选择技术,”交叉学科:计算生命科学》第六卷,没有。3、235 - 240年,2014页。视图:出版商的网站|谷歌学术搜索
21. c .雪f·李,他t, G.-P。刘、李y和x张”,真正的分类和伪microRNA前体使用本地structure-sequence特性和支持向量机,”BMC生物信息学》第六卷,第310条,2005年。视图:出版商的网站|谷歌学术搜索
22. w·w·p, h . Wu Wang,太阳x, z . Lu,“MiPred:真正的分类和伪微rna前体使用随机森林预测模型和组合特征,“核酸的研究,35卷,不。2,W339-W344, 2007页。视图:出版商的网站|谷歌学术搜索
23. l, m .辽、y高,r, z,他问:邹,”,并承诺改善人体小分子核糖核酸鉴定,通过融合一个高质量的负面,“IEEE / ACM事务计算生物学和生物信息学,11卷,不。1,第201 - 192页,2014。视图:出版商的网站|谷歌学术搜索
24. 江x y . Wang Chen w . et al .,“预测人类微rna前体GA-SVM生成的基于优化的特征子集,”基因组学,卷98,不。2、73 - 78年,2011页。视图:出版商的网站|谷歌学术搜索
25. x l . b . Liu, f . Liu, j·陈,K.-C。周”,识别真正的微rna前体与伪结构状态组成的方法,”《公共科学图书馆•综合》,10卷,不。第三条e0121501, 2015年。视图:出版商的网站|谷歌学术搜索
26. f . l . b . Liu,陈、刘、王x,“MiRNA-dis:微rna前体识别基于距离结构状态对,”分子生物系统,11卷,不。4、1194 - 1204年,2015页。视图:出版商的网站|谷歌学术搜索
27. j·d·劳里x Wang j . Wentz t . Liu和x s . Liu”计算解剖的拟南芥smRNAome导致发现的新型小分子核糖核酸和短干扰rna转录起始点的联系在一起,”基因组学,卷97,不。4、235 - 243年,2011页。视图:出版商的网站|谷歌学术搜索
28. 张x, y, y金,r . Cheng”一个高效nondominated排序进化多目标优化方法,”IEEE进化计算,19卷,不。2、201 - 213年,2015页。视图:出版商的网站|谷歌学术搜索
29. 张x, y, y金,“许多客观的膝盖point-driven进化算法优化”,IEEE进化计算,19卷,不。6,761 - 776年,2014页。视图:出版商的网站|谷歌学术搜索
30. m·尤瑟夫·m·Nebozhyn h . Shatkay s Kanterakis l . c .证明和m . k .证明“微rna结合多物种基因组数据使用朴素贝叶斯分类器识别,”生物信息学,22卷,不。11日,第1334 - 1325页,2006年。视图:出版商的网站|谷歌学术搜索
31. 美国Arlot和A . Celisse”为模型选择交叉验证的调查程序,”统计调查4卷,40 - 79年,2010页。视图:出版商的网站|谷歌学术搜索|Zentralblatt数学
32. e .帽子j . Wuyts p . Rouze y . Van de同行,“证据表明,微rna前体,不像其他非编码rna,折叠自由能量低于随机序列,”生物信息学,20卷,不。17日,第2917 - 2911页,2004年。视图:出版商的网站|谷歌学术搜索
33. h·刘和l . Wong“生物序列数据挖掘工具,”生物信息学和计算生物学》杂志上,1卷,不。1,第167 - 139页,2003。视图:出版商的网站|谷歌学术搜索
34. j . f . b . Liu, x Wang Chen l .方和k .周”Pse-in-One: web服务器生成各种伪模式组件的DNA, RNA和蛋白质序列,”核酸的研究,43卷,不。1,W65-W71, 2015页。视图:出版商的网站|谷歌学术搜索
35. r . j .和平intelligence, k . k . k . b .层和j·r·格林,“一个框架,用于改善microRNA在人类基因组预测,“核酸的研究,43卷,不。20篇文章e138 2015。视图:出版商的网站|谷歌学术搜索
36. 郑s, s . Cai f . et al .,”表示波动特征病理膝关节vibroarthrographic信号使用核密度建模方法,”医学工程学和物理学,36卷,不。10日,1305 - 1311年,2014页。视图:出版商的网站|谷歌学术搜索
37. 徐r . Wang y, b . Liu“基于缺口k-mers复合点识别,”科学报告》第六卷,ID 23934条,2016年。视图:出版商的网站|谷歌学术搜索
38. x y, p . Chen罗et al .,“量化的膝盖vibroarthrographic信号不规则与髌骨关节软骨病理基于熵和包络振幅措施,”计算机在生物医学方法和项目卷,130年,页1 - 12,2016。视图:出版商的网站|谷歌学术搜索
39. c . c .林w . Chen秋Krishnan,问:邹,y . Wu”LibD3C:系综分类聚类和动态选择策略,”Neurocomputing卷,123年,第435 - 424页,2014年。视图:出版商的网站|谷歌学术搜索
40. m·甘地d . Lee m . Mohammad-Noori和m . a啤酒,“强化监管序列预测使用缺口k- m特点”,PLoS计算生物学,10卷,不。7篇文章ID e1003711 2014。视图:出版商的网站|谷歌学术搜索
41. l .郭j . Yu t梁,邹,“miR-isomiRExp: web分析microrna / isomiR microrna的表达的水平,”科学报告》第六卷,ID 23700条,2016年。视图:出版商的网站|谷歌学术搜索
42. 陈x, c . c .燕x Zhang et al .,“WBSMDA:内部和之间的分数MiRNA-disease协会预测,“科学报告》第六卷,ID 21106条,2016年。视图:出版商的网站|谷歌学术搜索
43. 陈x, c .克拉伦斯燕x Zhang et al .,“RBMMMDA:预测多种disease-microRNA协会”,科学报告5卷,第13877条,2015年。视图:出版商的网站|谷歌学术搜索
44. x Chen M.-X。刘,G.-Y。严,“RWRMDA:人类microRNA-disease协会预测小说,“分子生物系统,8卷,不。10日,2792 - 2798年,2012页。视图:出版商的网站|谷歌学术搜索
45. x陈,“miREFRWR:一种新的疾病microRNA-environmental因子相互作用预测方法,”分子生物系统,12卷,不。2、624 - 633年,2016页。视图:出版商的网站|谷歌学术搜索
46. 曾x y . Liu, z,邹,”推断microRNA-disease协会随机漫步在多个数据源的异构网络,”IEEE / ACM事务计算生物学和生物信息学,2016年。视图:出版商的网站|谷歌学术搜索
47. 陈x和G.-Y。严,“Semi-supervised学习潜在的人类microRNA-disease关联推论,“科学报告第5501条,卷。4日,2014年。视图:出版商的网站|谷歌学术搜索
48. 廖曾x, y, y刘问:邹,”疾病基因的预测和验证使用HeteSim分数,”IEEE / ACM事务计算生物学和生物信息学,2016年。视图:出版商的网站|谷歌学术搜索
49. t .歌曲,j .徐,l .锅”的普遍性和non-universality飙升神经突触P系统与规则,”IEEE生物科学,14卷,不。8,960 - 966年,2015页。视图:出版商的网站|谷歌学术搜索
50. 曾张x, x、b·罗和l .锅”在某些类型的连续飙升神经P系统,”神经计算,26卷,不。5,974 - 997年,2014页。视图:出版商的网站|谷歌学术搜索|MathSciNet
51. P t .歌曲和l .锅”,强化神经系统与请求的规则,”Neurocomputing卷,193年,第200 - 193页,2016年。视图:出版商的网站|谷歌学术搜索
52. t . x Wang歌,f .锣,P .郑”的计算能力,强化神经P与自组织系统,”科学报告》第六卷,ID 27624条,2016年。视图:出版商的网站|谷歌学术搜索
53. x曾庆红,l .徐、刘x和l .锅”在语言强化神经所产生的P系统重量、”信息科学卷,278年,第433 - 423页,2014年。视图:出版商的网站|谷歌学术搜索|MathSciNet
54. 张x l .锅,a . Păun“轴突的普遍性P系统,”IEEE神经网络和学习系统,26卷,不。11日,第2829 - 2816页,2015年。视图:出版商的网站|谷歌学术搜索|MathSciNet
55. 陈x, m . j . Perez-Jimenez l . Valencia-Cabrera b . Wang和x曾庆红,“计算机病毒,”理论计算机科学卷,623年,第159 - 146页,2016年。视图:出版商的网站|谷歌学术搜索
56. > t . Wu、g . Păun和l .锅”细胞样的飙升神经P系统,”理论计算机科学卷,623年,第189 - 180页,2016年。视图:出版商的网站|谷歌学术搜索
57. 刘张x, y, b·罗和l .锅”计算能力的组织P系统生成控制语言,“信息科学卷,278年,第297 - 285页,2014年。视图:出版商的网站|谷歌学术搜索|MathSciNet

版权

版权©2016港江等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。