La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

MicroRNA Expression Profiles for Classification and Analysis of Tumor Samples Profils d'expression de microARN pour la classification et l'analyse d'échantillons de tumeurs

Dang Hung TRAN, Tu Bao HO, Tho Hoan PHAM, Kenji SATOU

  • Vues en texte intégral

    0

  • Citer

Résumé:

Un type d'ARN non codants fonctionnels, les microARN (miARN), forment une classe d'ARN endogènes qui peuvent jouer un rôle régulateur important chez les animaux et les plantes en ciblant les transcrits pour la répression du clivage ou de la traduction. Des recherches sur des approches expérimentales et informatiques ont montré que les miARN sont effectivement impliqués dans le développement et la progression du cancer humain. Cependant, les miARN qui contribuent davantage à la distinction entre les échantillons (tissus) normaux et tumoraux sont encore indéterminés. Récemment, la technologie des micropuces à haut débit a été utilisée comme technique puissante pour mesurer le niveau d’expression des miARN dans les cellules. L'analyse de ces données d'expression peut nous permettre de déterminer les rôles fonctionnels des miARN dans les cellules vivantes. Dans cet article, nous présentons une méthode informatique pour (1) prédire les tissus tumoraux à l’aide de profils d’expression de miARN à haut débit ; (2) trouver les miARN informatifs qui montrent une forte distinction du niveau d'expression dans les tissus tumoraux. À cette fin, nous exécutons une méthode basée sur une machine à vecteurs de support (SVM) pour examiner en profondeur un ensemble de données d’expression de miARN récent. Les résultats expérimentaux montrent que la méthode basée sur SVM surpasse les autres méthodes d'apprentissage supervisé telles que les arbres de décision, les réseaux bayésiens et les réseaux neuronaux de rétropropagation. De plus, en utilisant les informations sur la cible des miARN et les annotations de Gene Ontology, nous avons montré que les miARN informatifs présentent des preuves solides liées à certains types de cancer humain, notamment le cancer du sein, du poumon et du côlon.

Publication
IEICE TRANSACTIONS on Information Vol.E94-D No.3 pp.416-422
Date de publication
2011/03/01
Publicisé
ISSN en ligne
1745-1361
DOI
10.1587/transinf.E94.D.416
Type de manuscrit
Special Section PAPER (Special Section on Knowledge Discovery, Data Mining and Creativity Support System)
Catégories

Auteurs

Mots-clés

Table des matières