Bibliographie
Milestone ID: 49
-
(Fiannaca et al., 2017) propose nRC, une méthode basée sur du deep learning pour classifier les ARNs de RFAM. L'outils utilise la structure secondaire, calculée à l'aide de IPknot, afin de créer un graph de structure obtenue à partir du format parenthésé retourné par IPknot : 1 noeud represente un nucléotide et 1 arrête une liaison. Les sous-structures déscriminantes, utilisées comme entrées de la méthode de deep learning, sont extraites à l'aide de MoSS. Les données utilisées sont celles de RFAM, 13 familles d'ARN non codant sont considérées.
-
(Videm et al., 2014) propose BlockClust, une méthode de classification supervisée par SVM à partir des profils d'expression des transcrits.
-
(Platon et al., 2018) propose IRSOM pour de la classification supervisée entre ncRNA et RNA codant. L'outils execute en 1ere étape un SOM et utilise les résultats de la carte comme entrée d'un perceptron. Les données utilisées sont des données extraites de banques de codant (ensembl) et non codant (RNAcentral, qui regroupe RFAM, RefSeq, Gencode, ...)
-
(Platon et al., XXX) propose MSSOM afin d'intégrer
d
sources de données multiples hétérogènes. L'originalité de l'approche est de rechercher un poids d'intégration de la source de donnéesr
local, i.e. spécifique à chaque unitées de la carte. Ce qui est particulièrement intéressant pour les ARN non codant lorsque l'on intégre plusieurs mesures. Pour cela, pour chaque sources de donnéesr \in {1,...,d}
, un SOM (pour les données véctorielles) ou un KSOM (pour les données complexes) est entrainé. L'auteur introduit alors une fonction\teta_r(x_i)
retournant la similarité de l'observationx_i
à tous les prototypes de la carter
obtenue à partir de la source de donnéesr
. Une carte finale est obtenue en recherchant les coefficients des prototypes et les poids des différentes sources maximisant la similaritées\teta_r(x_i)
. -
(Platon et al., XXX) propose CRSOM, méthode qui combine MSSOM et SLSOM pour classifier des ARN non codants en intégrant différentes meusures.