Estudio comparativo de modelos de machine learning para la detección de dianas microARN

Abstract

MicroRNAs (miRNA) are small, non-coding RNA molecules of an approximate length of 23 nucleotides, which are involved in post-transcriptional regulation by inhibiting genetic expression by binding to specific target mRNA sites. The present document evaluates the viability of different existing machine learning models for the prediction of miRNA targets. The viability of six different models was examined: k-nearest neighbors, Naive Bayes, artificial neural network, support vector machine, decision tree and random forest. For model training, a database was built with more than 14000 miRNA-mRNA interactions with 19 features, from which 3173 real and 3173 unreal interactions were selected. The random forest model showed the highest efficiency in the prediction of interactions, and was as well one of the most solid and simple to train. Considering the characteristics of models based in random forest and due to their ability to use a great number of features for miRNA target predictions, these models are recommended for future studies of detection and prediction of miRNA targets.

Los microARN son pequeñas moléculas de ARN de una longitud aproximada de 23 nucleótidos, de cadena sencilla y no codificantes que actúan en la regulación post-transcripcional inhibiendo la expresión génica uniéndose a sitios específicos de ARNm diana. En este documento se ha evaluado la viabilidad de distintos modelos basados en machine learning existentes para la predicción de las dianas de miARN. Se evaluó la viabilidad de seis modelos distintos: k-nearest neighbors, Naive Bayes, artificial neural network, support vector machine, decision tree y random forest. Para el entrenamiento de los modelos se construyó una base de datos con más de 14.000 interacciones de miARN-ARNm con 19 features de las mismas, de las cuales, se seleccionaron 3.173 interacciones reales y 3.173 interacciones no reales. El modelo random forest presento la mayor eficiencia en la predicción de interacciones, a la vez que fue uno de los modelos más sólidos y más sencillos de entrenar. Por las características de los modelos basados en random forest y debido a la utilización de un gran número de features para la predicción de dianas de miARN se recomienda el uso de estos modelos para futuros estudios de detección y predicción de dianas de miARNs.

Els microARN són petites molècules de ARN d'una longitud aproximada de 23 nucleòtids, de cadena senzilla i no codificantes que actuen en la regulació post-transcripcional inhibint l'expressió gènica unint-se a llocs específics de ARNm diana. En aquest document s'ha avaluat la viabilitat de diferents models basats en machine learning existents per a la predicció de les dianes de miARN. Es va avaluar la viabilitat de sis models diferents: k-nearest neighbors, Naive Bayes, artificial neural network, support vector machine, decision tree i random forest. Per a l'entrenament dels models es va construir una base de dades amb més de 14.000 interaccions de miARN-ARNm amb 19 features de les mateixes, de les quals, es van seleccionar 3.173 interaccions reals i 3.173 interaccions no reals. El model random forest presento la major eficiència en la predicció d'interaccions, alhora que va ser un dels models més sòlids i més senzills d'entrenar. Per les característiques dels models basats en random forest i a causa de la utilització d'un gran nombre de features per a la predicció de dianes de miARN es recomana l'ús d'aquests models per a futurs estudis de detecció i predicció de dianes de miARNs.