成对约束降维集成下的MicroRNA预测

计算机科学与探索 ›› 2011, Vol. 5 ›› Issue (10): 921-931.

成对约束降维集成下的MicroRNA预测

魏爽, 杨明, 肖袁

1. 南京师范大学计算机科学与技术学院, 南京 210046
2. 江苏省信息安全保密技术工程研究中心, 南京 210046
3. 解放军南京政治学院, 南京 210003

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-10-01 发布日期:2011-10-01

The Prediction of MicroRNA in Ensemble of Pairwise Constraints Dimensionality Reduction

WEI Shuang, YANG Ming, XIAO Yuan

1. School of Computer Science and Technology, Nanjing Normal University, Nanjing 210046, China 2. Jiangsu Research Center of Information Security & Privacy Technology, Nanjing 210046, China 3. PLA Nanjing Institute of Politics, Nanjing 210003, China

Received:1900-01-01 Revised:1900-01-01 Online:2011-10-01 Published:2011-10-01

摘要/Abstract

摘要： MicroRNA(miRNA)是一类在生物体内发挥重要调控作用的非编码小RNA, 对miRNA的预测有助于研究和理解其生物学功能。已经提出的基于成对约束的降维算法(local semi-supervised linear discriminant analysis, LSLDA)在对miRNA降维的同时, 也能保持数据的局部结构信息和判别能力, 可有效改进miRNA的预测性能。因此, 在LSLDA算法基础上, 提出了一种新的集成LSLDA算法(ensemble of local semi-supervised linear discriminant analysis, En-LSLDA)。该算法对不同约束个数下的分类结果进行集成, 以集成结果作为最后的分类结果, 以此进一步改进miRNA的预测性能。miRNA数据集上的实验结果表明, En-LSLDA算法是有效可行的。同时, UCI数据集上的实验结果也验证了新提出的集成方法同样适用于其他数据集。

关键词: miRNA, 成对约束, 降维, 集成, 预测

Abstract: MicroRNAs (miRNAs) are a class of endogenous RNAs, which play an important role in gene regulation. The prediction of miRNAs will help study and understand their biological functions. The proposed local semi-supervised linear discriminant analysis dimensionality reduction (LSLDA) algorithm, which obtains a low-dimensional space as well as preserves local structure information and discrimination of data, can improve the prediction of miRNAs. Based on the LSLDA algorithm, this paper proposes an ensemble local semi-supervised linear discriminant analysis (En-LSLDA) algorithm by integrating classified results of different numbers of constraints as final results to further improve the prediction of miRNA effectively. Experimental results on miRNA data sets show the effectiveness of the En-LSLDA algorithm. Meanwhile, experimental results on UCI data sets validate the newly proposed algorithm can be applied to other data sets.

Key words: miRNA, pairwise constraints, dimensionality reduction, ensemble, prediction

魏爽, 杨明, 肖袁. 成对约束降维集成下的MicroRNA预测[J]. 计算机科学与探索, 2011, 5(10): 921-931.

WEI Shuang, YANG Ming, XIAO Yuan. The Prediction of MicroRNA in Ensemble of Pairwise Constraints Dimensionality Reduction[J]. Journal of Frontiers of Computer Science and Technology, 2011, 5(10): 921-931.

[1]	王贝贝, 万怀宇, 郭晟楠, 林友芳. 融合局部和全局时空特征的交通事故风险预测[J]. 计算机科学与探索, 2021, 15(9): 1694-1702.
[2]	荣欢, 马廷淮. 利用收益预测与策略梯度两阶段众包评论集成[J]. 计算机科学与探索, 2021, 15(8): 1476-1489.
[3]	姜山, 丁治明, 徐馨润, 严瑾. 面向路网交通流态势预测的图神经网络模型[J]. 计算机科学与探索, 2021, 15(6): 1084-1091.
[4]	王悦, 王平辉, 许诺, 陈龙, 杨鹏, 吴用. 面向案件审判难度预测的神经网络模型研究[J]. 计算机科学与探索, 2021, 15(12): 2345-2352.
[5]	薛红艳, 钱雪忠, 周世兵. 超簇加权的集成聚类算法[J]. 计算机科学与探索, 2021, 15(12): 2362-2373.
[6]	舒世泰，李松，郝晓红，张丽平. 知识图谱嵌入技术研究进展[J]. 计算机科学与探索, 2021, 15(11): 2048-2062.
[7]	尤坊州, 白亮. 关键节点选择的快速图聚类算法[J]. 计算机科学与探索, 2021, 15(10): 1930-1937.
[8]	黄宇翔, 黄栋, 王昌栋, 赖剑煌. 基于集成学习的改进深度嵌入聚类算法[J]. 计算机科学与探索, 2021, 15(10): 1949-1957.
[9]	孙伟, 张羽. 利用流挖掘和图挖掘的内网异常检测方法[J]. 计算机科学与探索, 2020, 14(7): 1154-1163.
[10]	韩明明，孙广路，朱素霞. 自适应概念漂移问题的增量集成分类算法[J]. 计算机科学与探索, 2020, 14(7): 1200-1210.
[11]	曹佳伟，钱鹏江. 流形学习与成对约束联合正则化非负矩阵分解[J]. 计算机科学与探索, 2020, 14(7): 1211-1220.
[12]	林浩，李雷孝，王慧. 支持向量机在智能交通系统中的研究应用综述[J]. 计算机科学与探索, 2020, 14(6): 901-917.
[13]	陈钦况，陈珂，伍赛，寿黎但，陈刚. 关于主动学习下的知识图谱补全研究[J]. 计算机科学与探索, 2020, 14(5): 769-782.
[14]	王世杰，周丽华，孔兵，周俊华. 基于LDA-DeepHawkes模型的信息级联预测[J]. 计算机科学与探索, 2020, 14(3): 410-425.
[15]	陈兴国，徐修颖，陈康扬，杨光. 基于CMAES集成学习方法的地表水质分类[J]. 计算机科学与探索, 2020, 14(3): 426-436.