标签：Received 22 特征 RNA BIB 2021 Accepted Briefings Revision
一、StackIL6: a stacking ensemble model for improving the prediction of IL-6 inducing peptides（StackIL6：一种改进IL-6诱导肽预测的堆叠集成模型）
Received: 15 January 2021
Revision received: 30 March 2021
Accepted: 10 April 2021
Published: 08 May 2021
要点
1、提出了一种新的基于堆叠策略的集成模型StackIL6，用于准确和稳定地识别IL-6诱导肽。
2、StackIL6集成了12个不同的特征描述符(来自三组主要的特征描述符，包括基于成分的特征、基于成分转换分布的特征和基于物理化学性质的特征)和5种不同的流行机器学习算法训练的一些基线模型。
3、大量的基准测试实验表明，StackIL6的性能明显优于现有的方法(IL6PRED)，通过训练和独立数据集评估，StackIL6明显优于其组成的基线模型，突出了其出色的识别能力和泛化能力。
论文整体流程图：
二、NeuroPred-FRL: an interpretable prediction model for identifying neuropeptide using feature representation learning（一种利用特征表征学习识别神经肽的可解释预测模型）
Received: 07 February 2021
Revision received: 23 March 2021
Accepted: 09 April 2021
Published: 11 May 2021
要点
1、NeuroPred-FRL采用特征表示学习算法，从给定的肽序列中准确预测NPs。
2、NeuroPred-FRL是元机器学习分类器，它从6个分类器11种编码方案生成的66个概率特征得分中学习最优鉴别能力。
3、大量的基准测试实验表明，NeuroPred-FRL在训练和独立数据集上都明显优于现有方法，突出了其优越的泛化能力。
4、利用鲁棒SHAP算法揭示了NeuroPred-FRL的一些预测机制。
论文整体流程图：
数据集构建、特征提取、各种ML分类器的探索、基线模型构建和最终的元预测器。
位置特异性特征、基于物理化学的特征、基本局部排列BLAST特征和基于氨基酸频率的特征。
三、NSL2CD: identifying potential circRNA–disease associations based on network embedding and subspace learning（NSL2CD:基于网络嵌入和子空间学习识别circRNA与疾病的潜在关联）
Received: 14 February 2021
Revision received: 29 March 2021
Accepted: 14 April 2021
Published: 05 May 2021
要点：
1、circRNA作为一种有前途的癌症生物标志物，在多种人类复杂疾病中发挥重要作用。
2、积累的可用生物医学数据为用硅方法破译环状RNA的分子行为创造了一个前所未有的机会。
3、提出一种基于网络嵌入的自适应子空间学习方法来发现环状RNA与疾病之间的关系。
4、实验结果表明，NSL2CD在预测circRNA与疾病的潜在关联方面具有优越的性能。
论文整体流程图：
计算疾病对和circRNA对的相似性来构建网络，选择DeepWalk来学习基于已知关联网络的circRNA的潜在特征表示。
四、Integrative machine learning framework for the identification of cell-specific enhancers from the human genome（从人类基因组识别细胞特异性增强子的综合机器学习框架）
Received: 16 March 2021
Revision received: 08 June 2021
Accepted: 14 June 2021
Published: 05 July 2021
要点：
1、提出了一个称为Enhancer-IF的整合ML框架，并将其作为一个用户友好的web服务器，用于从人类基因组中准确识别细胞特异性增强子。
2、Enhancer-IF基于5种经典的ML算法训练了一些具有异构特征编码的基线模型，并使用集成方法对后续的元模型进行集成，以实现最终预测。
3、大量的基准测试实验表明，Enhancer-IF在训练和独立数据集上都优于其组成的基线模型，从而突出了其优秀的泛化能力。
论文整体流程图：
K间隔核酸对的组成（CKSNAP）
伪三核苷酸组成（PseTNC）
伪二核苷酸组成（PseDNC）
二核苷酸的物理化学性质（DPCP）
三核苷酸的物理化学性质（TPCP）
五、Porpoise: a new approach for accurate prediction of RNA pseudouridine sites（一种精确预测RNA假尿苷位点的新方法）
Received: 14 April 2021
Revision received: 19 May 2021
Accepted: 08 June 2021
Published: 05 July 2021
要点：
1、开发了一种新的堆叠方法，称为Porpoise，用于从RNA序列信息改进和健壮地预测RNA伪嘌呤位点。
2、对18种特征编码方案和9种常用机器学习算法的性能进行了全面的基准测试，用于预测RNA伪尿嘧啶位点，并为每个物种特定模型确定最佳的碱基分类器。
3、广泛的基准测试和独立测试表明，与几个最先进的预测器相比，Porpoise实现了优越的预测性能。
4、实现了Porpoise的在线网络服务器。
论文整体流程图：
六、HelPredictor models single-cell transcriptome to predict human embryo lineage allocation（预测人类胚胎谱系分配的单细胞转录组）
Received: 05 March 2021
Revision received: 15 April 2021
Accepted: 29 April 2021
Published: 26 May 2021
要点：
1、综合比较和评价了采用函数富集的三种特征选择方法(F-score、PCA和CV2)和四种分类算法(SVM、RF、LR和GNB)。
2、与PCA和CV2相比，F-score方法可以发现单细胞转录组中观察到的高变量和发育相关因素。
3、提出了一个机器学习平台，HelPredictor，用于预测人类着床前胚胎谱系，并提供位于PCA图中的相对基因表达水平。
4、K-mean聚类结果表明，根据胚胎谱系特异性和阶段特异性基因表达模式，具有代表性的动态基因表达模式提供了潜在的生物标志物。
论文整体流程图：
最终快速有效地揭示潜在的谱系特异性和阶段特异性生物标记物。
标签：Received,22,特征,RNA,BIB,2021,Accepted,Briefings,Revision 来源： https://blog.csdn.net/xiaobai1_1/article/details/122261683
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。