基于支持向量机分类算法的番茄miRNA预测

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (14): 203-207.

基于支持向量机分类算法的番茄miRNA预测

孙超1，孟军1，栾雨时2

1.大连理工大学计算机科学与技术学院，辽宁大连 116023
2.大连理工大学生命科学与技术学院，辽宁大连 116023

出版日期:2012-05-11 发布日期:2012-05-14

Tomato miRNA prediction based on SVM classification algorithm

SUN Chao1, MENG Jun1, LUAN Yushi2

1.School of Computer Science and Technology, Dalian University of Technology, Dalian, Liaoning 116023, China
2.School of Life Science and Biotechnology, Dalian University of Technology, Dalian, Liaoning 116023, China

Online:2012-05-11 Published:2012-05-14

摘要/Abstract

摘要： 为了识别番茄基因组中潜在的miRNA，基于已发现的miRNA特征，利用支持向量机方法构建模型sly_pre_SVM和sly_SVM，用于番茄的前体miRNA序列和成熟miRNA序列的预测。对miRNA特征向量的编码、miRNA特征选择和参数的优化进行了研究。sly_pre_SVM对番茄测试集的分类精度、敏感性和特异性分别为99.69%、100%和99.66%，sly_SVM对番茄测试集的分类精度、敏感性和特异性分别为89.79%、88.89%和90%。预测得到41条番茄成熟miRNA序列，其中14条是尚未发现的，为进一步的miRNA生物学实验奠定了基础。

关键词: 支持向量机, 番茄, miRNA, 预测

Abstract: In order to predict the potential miRNA in tomato genome, based on miRNA feature that has been discovered, it develops two models, sly_pre_SVM and sly_SVM, based on support vector machine to discover the miRNA precursor sequence and mature miRNA sequence of the tomatoes. Some research about vector coding of miRNA feature, miRNA features selection and parameters optimization is done. The accuracy, sensitivity and specificity of sly_pre_SVM, a model applied to predict miRNA precursors, is 99.69%, 100% and 99.66% on tomato data set. The accuracy, sensitivity and specificity of sly_ SVM, a model applied to predict mature region on miRNA precursors, is 89.79%, 88.89% and 90.0% on tomato data set. 14 novel miRNA candidates are obtained from tomato genome. Therefore, the research provides guidance for further miRNA biology experiment.

Key words: support vector machines, tomato, miRNA, prediction

孙超1，孟军1，栾雨时2. 基于支持向量机分类算法的番茄miRNA预测[J]. 计算机工程与应用, 2012, 48(14): 203-207.

SUN Chao1, MENG Jun1, LUAN Yushi2. Tomato miRNA prediction based on SVM classification algorithm[J]. Computer Engineering and Applications, 2012, 48(14): 203-207.

[1]	黄冬宜，杨兵，吴子豪，匡佳一，颜泽明. 用于全市蜂窝流量预测的时空全连接卷积网络[J]. 计算机工程与应用, 2021, 57(9): 168-175.
[2]	高一锴，彭力，徐龙壮. 改进AFSA算法优化TWSVM的火焰识别方法[J]. 计算机工程与应用, 2021, 57(8): 204-213.
[3]	杨力，吴义，魏德宾，潘成胜. 基于时空相关性的卫星网络流量预测[J]. 计算机工程与应用, 2021, 57(7): 101-106.
[4]	常昊，陈晓雷，张爱华，李策，林冬梅. 嵌入改进SENet的卷积神经网络连续血压预测[J]. 计算机工程与应用, 2021, 57(7): 130-135.
[5]	李莉，纪欣沅，宋嵩. 回环软件缺陷数量预测模型[J]. 计算机工程与应用, 2021, 57(7): 158-163.
[6]	刘紫燕，袁磊，朱明成，马珊珊，陈霖周廷. 融合SPP和改进FPN的YOLOv3交通标志检测[J]. 计算机工程与应用, 2021, 57(7): 164-170.
[7]	韩卫宇，程龙生. 结合马田系统-SVM的滚动轴承故障模式分类研究[J]. 计算机工程与应用, 2021, 57(6): 239-246.
[8]	张睿，吴伯雄，张丽园，张博. 复杂场景下行人轨迹预测方法[J]. 计算机工程与应用, 2021, 57(6): 138-143.
[9]	杨丰玉，黄雅璇，周世健，郑巍. 结合多元度量指标软件缺陷预测研究进展[J]. 计算机工程与应用, 2021, 57(5): 10-24.
[10]	雷恒林，古兰拜尔·吐尔洪，买日旦·吾守尔，张东梅. 新奇检测综述[J]. 计算机工程与应用, 2021, 57(5): 47-55.
[11]	张倩玉，严冬梅，韩佳彤. 结合深度学习和分解算法的股票价格预测研究[J]. 计算机工程与应用, 2021, 57(5): 56-64.
[12]	李硕，梁毅. 面向Spark的批处理应用执行时间预测模型[J]. 计算机工程与应用, 2021, 57(5): 79-87.
[13]	温杰彬，杨文忠，马国祥，张志豪，李海磊. 基于Apex帧光流和卷积自编码器的微表情识别[J]. 计算机工程与应用, 2021, 57(4): 127-133.
[14]	李俊侠，张秦，郑桂妹. 超宽带雷达人体姿态识别综述[J]. 计算机工程与应用, 2021, 57(3): 14-23.
[15]	赵红蕊，薛雷. 基于LSTM-CNN-CBAM模型的股票预测研究[J]. 计算机工程与应用, 2021, 57(3): 203-207.