Implementació d'una eina de predicció de dianes de miRNA basat en algorismes de Machine Learning

Abstract

Els miRNA són cadenes curtes de RNA no codificant, d'aproximadament 22 nucleòtids, amb funció reguladora de l'expressió gènica a nivell post-transcripcional. Es coneixen uns 1500 miRNAs en humans que es calcula que regulen el 30% dels gens. La identificació de les dianes de cada miRNA és essencial per entendre la seva funció biològica. La predicció de les diferents dianes d'un miRNA in silico és fonamental per estalviar temps i recursos per, posteriorment, validar-les experimentalment. Diferents softwares fan aquestes prediccions gràcies a models generats a partir de regles basades en l'observació empírica. En els darrers temps, s'han aplicat algorismes de Machine Learning per modelar la interacció entre el miRNA i la seva diana, amb grans resultats d'exactitud. El Machine Learning és un conjunt d'algorismes que permeten detectar patrons en gran quantitat de dades, generant models que permetin classificar o predir nous exemples. En aquest treball es presenta l'eina miRNAforest, que mitjançant l'algorisme Random Forest, modela la unió del miRNA i les seves dianes per a classificar noves possibles dianes d'un miRNA donat. miRNAforest és capaç de fer prediccions de dianes de miRNA amb una exactitud del 85.78%, sensibilitat del 86.93% i especificitat del 84.66%.

miRNA are short non-coding RNA, approximately 22 nucleotides long, with regulatory function of gene expression at post-transcriptional level. About 1500 human miRNA are known, that it is estimated to regulate 30 % of human genes. The identification of miRNA targets is essential to understanding its biological function. Prediction of miRNA targets in silico is a key method to save time and resources to subsequently validate them experimentally. Different softwares can do these predictions applying rule based algorithms. In a recent time, some machine learning algorithms have been applied to model the interaction between miRNA and its target, obtaining great accuracy results. Machine Learning is a method able to recognise patterns in large amounts of data and device a model to classify or predict new data. This thesis presents the tool miRNAforest that models the union between miRNAs and their targets by Random Forest algorithm to classify a new possible target of a given miRNA. miRNAforest is able to predict miRNA targets with an accuracy of 85.78%, 86.93% of sensitivity and 84.66% of specificity.

Los miRNA son cadenas cortas de RNA no codificando, de aproximadamente 22 nucleótidos, con función reguladora de la expresión génica a nivel puesto-transcripcional. Se conocen unos 1500 miRNAs en humanos que se calcula que regulan el 30% de los genes. La identificación de las dianas de cada miRNA es esencial para entender su función biológica. La predicción de las diferentes dianas de un miRNA in silico es fundamental para ahorrar tiempo y recursos por, posteriormente, validarlas experimentalmente. Diferentes softwares hacen estas predicciones gracias a modelos generados a partir de reglas basadas en la observación empírica. En los últimos tiempos, se han aplicado algoritmos de Machine Learning para modelar la interacción entre el miRNA y su diana, con grandes resultados de exactitud. El Machine Learning es un conjunto de algoritmos que permiten detectar patrones en gran cantidad de datos, generando modelos que permitan clasificar o predecir nuevos ejemplos. En este trabajo se presenta la herramienta miRNAforest, que mediante el algoritmo Random Monte, modela la unión del miRNA y sus dianas para clasificar nuevas posibles dianas de un miRNA dado. miRNAforest es capaz de hacer predicciones de dianas de miRNA con una exactitud del 85.78%, sensibilidad del 86.93% y especificidad del 84.66%.