×
宋金苗；田胜伟；于、龙；杨奇萌；戴、齐国；王元旭；吴伟东；段晓东

RLF-LPI：基于AE-ResLSTM和模糊决策，使用序列信息预测lncRNA-蛋白质相互作用的集成学习框架。 （英语） Zbl 1501.92032号

数学。Biosci公司。工程师。 19，第5号，4749-4764（2022）.

MSC公司：

92C40型 生物化学、分子生物学
68T07型 人工神经网络与深度学习

关键词：

深度学习；lncRNA-蛋白质相互作用；模糊决策；额外的树；注意机制

软件：

Cd命中；维也纳RNA；IPMiner（IPMiner）
PDF格式BibTeX公司 XML格式引用
\textit{J.Song}等人，数学。Biosci公司。工程19，编号5，4749--4764（2022；Zbl 1501.92032）
全文： 内政部
OA许可证

参考文献：

[1] D、 改变细胞命运，ncRNA发挥作用，细胞死亡疾病。，4，e464（2013）·doi:10.1038/cddis.2012.196
[2] J、 《长非编码RNA生物发生和功能的独特特征》，《自然评论遗传学》。，17, 47-62 (2016) ·doi:10.1038/nrg.2015.10
[3] K、 HULC是一种在肝细胞癌中显著上调的新基因，其作为非编码RNA的特性，胃肠病学，132330-342（2007）·doi:10.1053/j.gastro.2006.08.026
[4] J、 CREB通过与肝癌中microRNA-372的相互作用上调长非编码RNA、HULC的表达，《核酸研究》，38，5366-5383（2010）·doi:10.1093/nar/gkq285
[5] A、 tnbc的全球ncrnas表达谱和功能性lncrna的筛选，Front。比昂。生物技术。，8, 1480 (2021) ·doi:10.3389/fbioe.2020.523127
[6] X.Pan，P.Rijnbeek，J.Yan，H.B.Shen，使用深度卷积和递归神经网络预测RNA蛋白序列和结构结合偏好，<i>BMC基因组学</i>，<B>19</B>（2018）<a href=“https://doi.org/10.1186/s12864-018-4889-1“target=”_blank“>https://doi.org/10.1186/s12864-018-4889-1</a>
[7] D、 预测RNA-蛋白质相互作用的基于特征和基于字符串的模型，《分子》，23，697（2018）·doi:10.3390/分子23030697
[8] S、 预测ncRNA-蛋白质相互作用的计算方法，医学化学。，13, 515-525 (2017) ·doi:10.2174/1573406413666170510102405
[9] L.Peng，F.Liu，J.Yang，X.Liu，Y.Meng，X.Deng，et al.，《探索lncRNA-protein相互作用：数据存储库、模型和算法》，《前沿》。遗传学</i> ，（2020），1346<a href=“https://doi.org/10.3389/fgene.2019.01346“target=”_blank“>https://doi.org/10.3389/fgene.2019.01346</a>
[10] H、 HLPI-Ensemble：基于集成策略的人类lncRNA-protein相互作用预测，RNA生物学。，15, 797-806 (2018) ·doi:10.1080/15476286.2018.1457935
[11] Q.Lu，S.Ren，M.Lu，Y.Zhang，D.Zhu，X.Zhanng，et al.，长非编码RNA与蛋白质之间关联的计算预测，BMC基因组学（2013）<a href=“https://doi.org/10.1186/1471-2164-14-651“target=”_blank“>https://doi.org/10.1186/1471-2164-14-651</a>
[12] W、 预测长时间非编码RNA-蛋白质相互作用的线性邻域传播方法，神经计算，273526-534（2018）·doi:10.1016/j.neucom.2017.07.065
[13] Q、 IRWNRLPI：整合随机游走和邻域正则化logistic矩阵分解，用于lncRNA-蛋白质相互作用预测，Front。遗传学。，9, 239 (2018) ·doi:10.3389/fgene.2018.00239
[14] R.Zhu，G.Li，J.X.Liu，L.Y.Dai，Y.Guo，ACCBN：预测长非编码RNA-蛋白质相互作用的基于蚁群聚类的二部网络方法，BMC Bioinf</i> ，<b>20</b>（2019年）<a href=“https://doi.org/10.1186/s12859-018-2586-3“target=”_blank“>https://doi.org/10.1186/s12859-018-2586-3</a>
[15] T、 LPGNMF：使用图正则化非负矩阵分解预测长非编码RNA和蛋白质相互作用，IEEE/ACM Trans。计算。生物信息。，17, 189-197 (2018) ·doi:10.1109/TCBB.2018.2861009
[16] H、 基于路径的长非编码RNA-蛋白质相互作用预测计算模型，基因组学，1121754-1760（2020）·doi:10.1016/j.ygeno.2019.09.018
[17] 英国Muppirala，V.G.Honavar，D.Dobbs，仅使用序列信息预测RNA-蛋白质相互作用，BMC Bioinf</i> ，<b>12</b>（2011）<a href=“https://doi.org/10.1186/1471-2105-12-489“target=”_blank“>https://doi.org/10.1186/1471-2105-12-489</a>
[18] Y、 根据序列信息从头预测RNA-蛋白质相互作用，分子生物学。，9, 133-142 (2013) ·doi:10.1039/C2MB25292A
[19] 十、 IPMiner:利用堆叠自动编码器进行隐藏的ncRNA-protein相互作用序列模式挖掘以实现准确的计算预测，BMC Genomics，17，582（2016）·doi:10.1186/s12864-016-2931-8
[20] 五十、 LPI-EnEDT:一个带有额外树和决策树分类器的集成框架，用于不平衡lncRNA-protein相互作用数据分类，Biodata Min.，14，50（2021）
[21] C、 RPITER：用于ncRNA-蛋白质相互作用预测的分层深度学习框架，国际分子科学杂志。，20, 1070 (2019) ·doi:10.3390/ijms20051070
[22] J、 植物lncRNA-蛋白质相互作用预测的深度学习模型，图形关注，分子遗传学。基因组学，2951091-1102（2020）·doi:10.1007/s00438-020-01682-w
[23] J、 用于深度学习预测植物lncRNA-蛋白质相互作用的多特征融合，基因组学，1122928-2936（2020）·doi:10.1016/j.ygeno.2020.05.005
[24] H.Zhou，Y.Luan，J.S.Wekesa，J.Meng，基于深度学习的利用序列信息预测植物lncRNA蛋白相互作用，<i>国际智能计算大会</i>，（2019），358-368<a href=“https://doi.org/10.1007/978-3-030-26766-7_33“target=”_blank“>https://doi.org/10.1007/978-3-030-26766-7_33</a>
[25] Y、 CD-HIT Suite:用于聚类和比较生物序列的web服务器，生物信息学，26，680-682（2010）·doi:10.1093/bioinformatics/btq003
[26] I.Goodfellow，Y.Bengio，A.Courville，深度学习的规范化，深度学习</i> ，（2016），216-261·Zbl 1373.68009号
[27] Z.Yang，D.Yang，C.Dyer，X.He，A.Smola，E.Hovy，文档分类的层次注意网络，收录于计算语言学协会北美分会2016年会议记录：人类语言技术，（2016），1480-1489<a href=“https://doi.org/10.18653/v1/N16-1174“target=”_blank“>https://doi.org/10.18653/v1/N16-1174</a>
[28] Q、 PmliPred：基于混合模型和模糊决策的植物miRNA-lncRNA相互作用预测方法，生物信息学，362986-1992（2020）·doi:10.1093/bioinformatics/btaa074
[29] R.Lorenz、S.H.Bernhart、C.H.Sieder异议、H.Tafer、C.Flamm、P.F.Stadler等人，ViennaRNA Package 2.0，<i>Algorithms Mol.Biol</i> ，（2011年）<a href=“https://doi.org/10.1186/1748-7188-6-26“target=”_blank“>https://doi.org/10.1186/1748-7188-6-26</a>
[30] C、 SOPMA：通过多重比对的一致预测显著改进蛋白质二级结构预测，生物信息学，11681-684（1995）·doi:10.1093/bioinformatics/11.6.681
[31] G.Montavon，G.Orr，K.R.Müller，《神经网络：贸易伎俩》，斯普林格出版社，2012年。
[32] N、 辍学：一种防止神经网络过拟合的简单方法，J.Mach。学习。1929-1958年第15号决议（2014年）·Zbl 1318.68153号
[33] J.S.Wekesa，Y.Luan，J.Meng，LPI-DL:《植物lncRNA-蛋白质相互作用和功能预测的递归深度学习模型与特征优化》，收录于《2020年IEEE生物信息学与生物医学国际会议》（BIBM），（2020），499-502<a href=“https://doi.org/10.109/BIBM49941.2020.9313431“target=”_blank“>https://doi.org/10.109/BIBM49941.2020.9313431</a>
[34] H、 利用进化信息稳健准确预测ncRNA-蛋白质相互作用的深度学习框架，Mol.Ther-核酸，11337-344（2019）·doi:10.1016/j.omtn.2018.03.001
[35] Z、 BGFE：基于改进序列信息的ncRNA-蛋白质相互作用预测的深度学习模型，国际分子科学杂志。，20, 978 (2019) ·doi:10.3390/ijms20040978
[36] H、 RPI-SE:使用序列信息预测ncRNA蛋白相互作用的堆叠集成学习框架，BMC Bioinf。，21, 60 (2020) ·doi:10.1186/s12859-020-3406-0
[37] Q、 预测长非编码RNA-蛋白质相互作用的二部网络投影推荐算法，Mol.Ther-核酸，13，464-471（2018）·doi:10.1016/j.omtn.2018.09.020
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。