microRNA靶基因預(yù)測算法的研究與發(fā)展

程 爽， 郭茂祖， 武雪劍

(哈爾濱工業(yè)大學 計算機科學與技術(shù)學院， 哈爾濱 150001)

引言

MicroRNAs(miRNAs)是一類長度約19—22nt的非編碼單鏈RNA分子，是后轉(zhuǎn)錄表達過程的重要角色[1]。miRNAs綁定在RNA沉默復(fù)合物(RISC)上，引導(dǎo)該復(fù)合物與靶標mRNAs上的特殊位點配對，控制mRNA降解或抑制蛋白質(zhì)翻譯。目前的生物實驗已證實miRNA廣泛存在生物體中，一個miRNA能調(diào)控超過100種mRNA。同時，人體中有超過60%的蛋白編碼基因的mRNA 3’UTR區(qū)域包含有miRNA結(jié)合位點。研究發(fā)現(xiàn)，miRNA優(yōu)勢調(diào)控了大量的細胞進程，包括細胞增殖、新陳代謝和死亡，這就充分說明了miRNA在動物體內(nèi)基因調(diào)控過程中的現(xiàn)實重要性[1]。然而到目前為止，miRNA與基因的靶向規(guī)則依然未能收獲最高研究成果，為了揭示miRNA的功能，識別miRNA靶向機制以及靶標基因即已成為當前亟待解決的問題。具體分析可知，miRNA的研究一直以來就十分活躍，與miRNAs相關(guān)的文獻發(fā)表數(shù)量也逐年攀升，值得一提的是，miRNAs靶向基因的識別方法在2003年以后即獲成熟實現(xiàn)與高效提出。比如一些文章集中研究生物學原理及檢驗方法[2-3]，生物實驗技術(shù)和計算預(yù)測算法[4-6]。近期，大量文獻又深度探討了miRNA-mRNA的相互作用機制[7-10]。

本文首先介紹最近發(fā)表的miRNA靶向基因預(yù)測算法，總結(jié)miRNA目標預(yù)測的研究進展。miRNA靶向基因預(yù)測算法主要分為2類：ab initio計算方法和機器學習方法，依據(jù)這一分類，本文綜述了具有代表性的方法，最后，討論目前的挑戰(zhàn)和未來方向。

1 實驗數(shù)據(jù)

目前用于存放和共享miRNA-mRNA交互實驗數(shù)據(jù)的數(shù)據(jù)庫已經(jīng)被開發(fā)、并成功創(chuàng)立。TarBase[11]數(shù)據(jù)庫始建于2006年，經(jīng)過不斷的發(fā)展，目前版本為TarBase v7，其中收錄了近50萬的miRNA-gene的交互數(shù)據(jù)。TarBase提供了關(guān)于每個交互的更多細節(jié)，并且可以基于使用的實驗技術(shù)，調(diào)控類型(上調(diào)，下調(diào)與位置)與交互類型。miRecords[12]發(fā)布于2008年，迄今為止，該數(shù)據(jù)庫中收錄了由644miRNAs和1 901個靶基因組成的大約2 705條記錄。miRTarBase[13]收集miRNA-mRNA交互并且將miRNA-mRNA相互作用分為4類，包括功能性的、弱功能性的(非直接實驗支持)、非功能性的和弱非功能性的，依賴于所用實驗技術(shù)的力量和交互的類型(積極的和消極的)。這種分類方法適用于關(guān)聯(lián)研究。starBase[14]重點選取了CLIP-seq數(shù)據(jù)，該類型的數(shù)據(jù)包含轉(zhuǎn)錄組范圍規(guī)模上的mRNA-miRNA-Argonaute復(fù)合物的交互位點。PMRD[15]是一個關(guān)于植物microRNA數(shù)據(jù)庫，包含了miRNA序列、miRNA的靶基因、二級結(jié)構(gòu)、表達譜和基因組信息等。miRNAMap[16]數(shù)據(jù)庫則動態(tài)集成了實驗證明的人類的、小鼠、大鼠以及其他多細胞動物的miRNA靶基因。

2 miRNA靶向特征

miRNA靶基因識別的關(guān)鍵步驟是有效特征的選擇。時下，經(jīng)過研究發(fā)現(xiàn)了大量的特征，但是目前只有一些通用miRNA-mRNA靶向規(guī)則獲得學界認可，并相繼應(yīng)用在各種靶基因預(yù)測算法中。考慮miRNA和mRNA交互種子區(qū)域的重要性，即使得常規(guī)分類多呈現(xiàn)為種子區(qū)域和非種子區(qū)域，其中，種子區(qū)域的miRNA序列則尤其重要[17]，大量實驗又進一步發(fā)現(xiàn)了種子區(qū)域的強互補性。同樣，非種子區(qū)域在雙重交互和加強吸引力方面也已成為一個重要角色，發(fā)揮出色作用[18]。其次，描述相互作用強度的最小自由能也展現(xiàn)了miRNA-mRNA普遍具有的特征[19]。第三，miRNA與靶基因的結(jié)合位點的序列具有明顯保守性，甚至是跨物種的保守性[20]。

3 計算方法

自2003年以來，miRNA靶向基因預(yù)測算法的研究已經(jīng)歷了十余年的發(fā)展歷程。當前基于結(jié)構(gòu)特征的預(yù)測算法可劃分為2類：ab initio計算方法和機器學習方法?？偟貋碚f，最初提出的算法都是屬于ab initio類型，這些算法均是基于實驗得出的結(jié)構(gòu)特征來指引預(yù)測[20-25]。另一方面，機器學習方法[26-34]則是基于實驗訓練集的相似度來識別候選靶向目標，部分原因可歸結(jié)為：機器學習算法本就是在實驗支持的靶向交互數(shù)據(jù)數(shù)量顯著增多時才應(yīng)運而生的。下面即對上述2類中的代表性研究成果進行逐一闡述及對比剖析。

3.1 ab initio方法

(1)miRanda[20]。適用范圍廣泛，不受物種限制。該算法考慮序列匹配，miRNA-mRNA雙鏈的熱穩(wěn)定性以及靶位點的跨物種保守性。其中，為了體現(xiàn)miRNA3’端、5’端和靶基因作用過程中的不對稱性，該軟件提出了scale參數(shù)。同時強調(diào)miRNA第2～4位堿基和靶基因精確互補，第3～12位堿基和靶基因錯配不得多于5個等特征。

(2)TargetScan[17]算法。對靶基因跨物種保守性和miRNA-mRNA雙鏈二聚體熱力學特征做出限制。需要至少6nt的種子互補并且考慮種子類型。TargetScan發(fā)布的最新版本添加了一些額外的約束條件，例如種子配對穩(wěn)定性和目標位點豐富性。

(3)PicTar[23]算法。關(guān)于種子區(qū)域制定了嚴格的要求，強調(diào)miRNA-mRNA二聚體結(jié)合能在靶基因翻譯抑制中的關(guān)鍵作用。同時也要一并考慮基于最小自由能的miRNA-mRNA雙鏈穩(wěn)定性。一旦位點匹配，可采用隱馬爾科夫模型給候選靶位點評分。

(4)RNA22[35]算法。是基于模式的發(fā)掘策略來識別候選目標。該算法強調(diào)miRNA-mRNA二聚體的互補匹配特性和自由能，但不考慮靶基因的跨物種保守性。首先，馬爾科夫鏈用于模式發(fā)現(xiàn)，識別與miRNA匹配的目標區(qū)域。其次，基于用戶設(shè)定的參數(shù)(配對堿基極小值，未配對堿基極大值，允許自由能的極大值)來選擇候選靶向區(qū)域。

(5)RNAhybrid[36]算法?；趍iRNA-mRNA二聚體二級結(jié)構(gòu)的最小自由能這一特征，不僅考慮靶向結(jié)合位點的能量，也考慮miRNA-mRNA雙鏈的能量，但不再關(guān)注靶基因的跨物種保守性。RNAhybrid允許用戶自定義自由能閾值及p值，也允許用戶設(shè)置雜交位點的偏好等特征。

(6)PITA[37]算法。不僅考慮特定二聚體互補匹配信息，還引入了mRNA位點的可接近性?？山咏员硎玖苏麄€二聚體的最小自由能與互補匹配區(qū)域的原始能量ΔΔG之間的區(qū)別。用戶能夠強加不同的限制來減少候選合成集合(最小種子序列長度，G∶U錯配與未配對個數(shù))。

(7)EiMMo[25]算法。使用貝葉斯方法來給候選靶向位點打分，研究直系同源物種之間靶向位點的演化，并推斷功能性靶向位點的系統(tǒng)分布。

(8)DIANA[38]算法?；谝韵?點來判別miRNA靶基因：

① miRNA和靶基因間的高親和力，主要通過結(jié)合能來衡量；

② 影響miRNA和靶基因所形成二聚體莖環(huán)結(jié)構(gòu)環(huán)部位置和環(huán)大小的miRNA相關(guān)蛋白可能指導(dǎo)miRNA和靶基因的相互作用。同時，衡量每個基因時，不僅考慮保守位點，也包括不保守的位點。

在此，研究可得如上各類方法的主題網(wǎng)址及實用預(yù)測結(jié)果的對照比較，具體見表1。通過上述內(nèi)容分析可知，ab initio算法的不足是預(yù)測的結(jié)果假陽性頗高。其有效的技術(shù)策略是，通過上述內(nèi)容分析可知，ab initio算法使用嚴格的限制條件來減少假陽性預(yù)測結(jié)果的數(shù)量。然而，過濾也會使一些真正的靶基因發(fā)生丟棄。比如PicTar，TargetScan和DIANA，為了獲取可觀的正確度(約50%)，這些算法具有顯著妥協(xié)的敏感度(約10%)。而機器學習算法是實驗支持的反例數(shù)量偏低(反例通常不會公開發(fā)布并且不會記錄在數(shù)據(jù)庫中)，導(dǎo)致正例和反例數(shù)量未臻均衡，影響分類模型的預(yù)測準確度。因此，接下來在分述機器學習算法的同時，也將全面拓展式地概述了這些方法所用的數(shù)據(jù)。

3.2 機器學習方法

(1)TargetBoost[26]算法。采用GPboost模型，考慮miRNA-mRNA二聚體的序列互補配對、熱力學穩(wěn)定性、跨物種保守性等特征，預(yù)測線蟲和果蠅miRNA的靶基因。用于訓練的反例數(shù)據(jù)集包含300個隨機生成的序列，而正例數(shù)據(jù)集包含36個實驗驗證的miRNA-mRNA靶向關(guān)系。

(2)miTarget[27]算法。采用支持向量機方法，使用徑向基函數(shù)，預(yù)測目標候選。其中考慮miRNA-mRNA二聚體的結(jié)構(gòu)特征、熱力學特征及堿基互補匹配等特征，但并未考慮靶基因的跨物種保守性。用于訓練支持向量機的反例數(shù)據(jù)集包括83個實驗驗證miRNA-mRNA靶向關(guān)系和163個通過實驗數(shù)據(jù)推理得出的miRNA-mRNA靶向關(guān)系，正例數(shù)據(jù)集包括152個miRNA-mRNA靶向關(guān)系。

表1 預(yù)測miRNA靶基因的代表性ab initio方法Tab. 1 ab initio methods for miRNA target prediction

(3)Ensemble[28]算法。首先利用miRanda從miRNA-mRNA雙鏈中提取特征，之后采用多核SVM進行預(yù)測。正例數(shù)據(jù)集包含48個實驗驗證的miRNA-mRNA交互，反例數(shù)據(jù)集包含16個實驗驗證的反例miRNA-mRNA交互。

(4)NBmiRTar[29]算法。首先利用miRanda基于自由能和互補匹配的過濾條件篩選候選靶基因，之后利用樸素貝葉斯分類器計算每個候選靶基因的得分。反例數(shù)據(jù)集由38個實驗驗證的和133 316個人工選擇的候選靶位點組成，正例數(shù)據(jù)集由225個實驗驗證的miRNA-mRNA交互組成。

(5)MiRTif[31]算法。首先綜合了miRanda，PicTar和TargetScan這3種預(yù)測方法得到的各種特征得分。然后使用支持向量機方法預(yù)測候選靶基因，核函數(shù)采用徑向基函數(shù)。正例數(shù)據(jù)集包含195個實驗驗證的靶向交互，反例數(shù)據(jù)集包含了21個實驗驗證的和17個假定的靶向交互。

(6)TargetMiner[32]算法。首先基于種子區(qū)域互補匹配的特性，選取合適的靶向位點，并得出相應(yīng)的特征得分。然后以此為依據(jù)，使用支持向量機模型預(yù)測靶基因，核函數(shù)采用徑向基函數(shù)。正例數(shù)據(jù)集包含764個靶向交互，反例數(shù)據(jù)集包含59個實驗驗證的和289個假定的靶向交互組成。

(7)MTar[33]算法。選擇了3類區(qū)域的靶向位點，計算相應(yīng)區(qū)域miRNA-mRNA交互的特征得分(僅5’種子區(qū)域，5’種子區(qū)域占主要低位和以3’區(qū)域為主)，然后使用人工神經(jīng)網(wǎng)絡(luò)預(yù)測候選靶基因。正例數(shù)據(jù)集包含340個miRNA-mRNA靶向交互，反例數(shù)據(jù)集包含400個隨機的miRNA-mRNA靶向交互。

(8)TargetSpy[34]算法。首先生成候選靶向結(jié)合位點，對候選靶向位點排序。并計算候選靶向位點的堿基組成，結(jié)構(gòu)特征以及堿基匹配互補等特征得分。正例集包含3 872個樣本，反例集合包含4 540個樣本。

(9)miREE[39]算法。首先利用遺傳算法來生成一個序列集合，之后利用支持向量機模型，采用徑向基函數(shù)，來預(yù)測候選靶基因。正例數(shù)據(jù)集包含324個靶向交互，反例數(shù)據(jù)集包含351個靶向交互。

(10)Target-align[40]。是一個基于Smith-Waterman的miRNA靶基因預(yù)測軟件。為了得到局部最優(yōu)排列，Target-align依據(jù)堿基互補匹配程度構(gòu)建了得分矩陣，并采用動態(tài)規(guī)劃算法預(yù)測miRNA靶基因。

(11)miRTDL[41]算法?？紤]了miRNA-mRNA之間的互補匹配性、可接近性、保守性等特征。實驗選擇了1 297個實驗驗證的正例樣本，309個實驗驗證的反例樣本，由于反例樣本數(shù)量遠遠少于正例樣本數(shù)量，因此，該算法首先利用約束松弛方法構(gòu)建了均衡的正、反例數(shù)據(jù)集，之后采用深度學習模型，預(yù)測miRNA的靶基因。

至此，各種算法關(guān)聯(lián)的主題網(wǎng)址及機器學習方法的整體展現(xiàn)可見表2。

表2 預(yù)測miRNA靶基因的代表性機器學習方法Tab. 2 Machine learning methods for miRNA target prediction

綜上可知，這些方法大多利用miRNA和基因的二級結(jié)構(gòu)層面的序列、能量等特征，選用計算方法識別miRNA的靶基因。近年來，還有一些研究者利用miRNA表達譜數(shù)據(jù)或生物通路，以求通過表達值或miRNA在通路中的變化，來研究miRNA與基因的靶向關(guān)系。

3.3 其它方法

(1)MiRonTop[42]軟件。利用DNA微陣列數(shù)據(jù)和高通量測序數(shù)據(jù)來識別特定生物過程中潛在的miRNA靶基因，并設(shè)計了一定在線服務(wù)。用戶通過這個軟件可以快速查詢由其它軟件預(yù)測得出的靶基因。同時，通過調(diào)查靶位點在3’非編碼區(qū)域的位置，該軟件能夠?qū)⒑蜻x靶基因通過富集分析得到的最終得分提供給用戶。

(2)miRTar[43]軟件。分析了各種通路情況來識別基因轉(zhuǎn)錄本上的miRNA靶位點，并依據(jù)靶基因所在的生物通路來闡釋miRNA的生物功能。這個軟件通過分析特定通路來識別感興趣的miRNA和基因之間的調(diào)控關(guān)系，進而闡釋生物通路中miRNA真實發(fā)揮的具體作用。

(3)mirSOM[44]軟件。利用自組織圖(self-organizing map)聚類方法，對3’非編碼區(qū)域的序列進行聚類，該方法不僅能識別種子區(qū)域完美匹配的靶位點，也能發(fā)現(xiàn)不完美匹配的靶位點。

(4)文獻[45]。分別將關(guān)聯(lián)模型(Pearson)、因果推理模型(IDA)和回歸模型(Lasso)應(yīng)用到表達數(shù)據(jù)上，將得到的3類結(jié)果進行綜合集成分析，由此證明集成方法與使用任一種模型的運行設(shè)計相比，集成方法的實驗結(jié)果均占據(jù)了明確優(yōu)勢。

(5)文獻[46]。通過研究表達譜數(shù)據(jù)，分析miRNA和基因在不同通路中的表達情況，利用統(tǒng)計分析來確定miRNA的靶向基因。結(jié)果證明有21個miRNA在重疊的通路中得到了探知發(fā)現(xiàn)。

4 結(jié)束語

時下，雖然已經(jīng)推出了大量的數(shù)據(jù)庫和預(yù)測軟件來預(yù)測miRNA的靶基因，但是其中的大部分卻都具有較高的假陽性，因此，預(yù)測miRNA的靶基因仍是學界的挑戰(zhàn)性研究課題。當今研究已經(jīng)引入了保守性和功能相似性來降低假陽性結(jié)果，但應(yīng)該指出靶基因預(yù)測準確率也同樣存在著可觀的提升完善空間。比如，可以參考各種疾病通路，依據(jù)miRNA和基因在通路中的表達，來篩選候選靶基因。其次，隨著生物實驗的高端推進，會有越來越多的靶向規(guī)則將進入學界視野，這也將顯著提高miRNA靶基因預(yù)測的準確性。另外，隨著高通量技術(shù)的飛速發(fā)展，使得短時間內(nèi)識別特定miRNA的靶基因終將成為現(xiàn)實可能。

[1] BARTEL D P. MicroRNAs: genomics, biogenesis, mechanism, and function[J]. Cell, 2004,116(2):281-297.

[2]CAI Y, YU X, HU S, et al. A brief review on the mechanisms of miRNA regulation[J]. Genomics Proteomics Bioinformatics, 2009,7(4):147-154.

[3]MENDES N D, FREITAS A T, SAGOT M F. Current tools for the identification of miRNA genes and their targets[J]. Nucleic Acids Res, 2009,37(8): 2419-2433.

[4]ALEXIOU P, MARAGKAKIS M, PAPADOPOULOS G L, et al. Lost in translation: An assessment and perspective for computational microRNA target identification[J]. Bioinformatics, 2009,25(23):3049-3055.

[5]WITKOS T M, KOSCIANSKA E, KRZYZOSIAK W J. Practical aspects of microRNA target prediction[J]. Curr Mol Med, 2011,11(2):93-109.

[6]MIN H, YOON S. Got target? Computational methods for microRNA target prediction and their extension[J]. Exp Mol Med, 2010,42(4): 233-244.

[7]OROM U A, LUND A H. Experimental identification of microRNA targets[J]. Gene, 2010,451(1/2): 1-5.

[8]JIN H, TUO W, LIAN H, et al. Strategies to identify microRNA targets: New advances[J]. N Biotechnol, 2010, 27(6):734-738.

[9]THOMSON D W, BRACKEN C P, GOODALL G J. Experimental strategies for microRNA target identification[J]. Nucleic Acids Res, 2011, 39(16): 6845-6853.

[10]REYES-HERRERA P H, FICARRA E. One decade of development and evolution of microRNA target prediction algorithms[J]. Genomics Proteomics Bioinformatics, 2012,10(5):254-263.

[11]VLACHOS I S, PARASKEVOPOULOU M D, KARAGKOUNI D, et al. DIANA-TarBase v7. 0: Indexing more than half a million experimentally supported miRNA: mRNA interactions[J]. Nucleic acids research, 2015,43( D1):153-159.

[12]XIAO F, ZUO Z, CAI G, et al. miRecords: An integrated resource for microRNA-target interactions[J]. Nucleic Acids Res, 2009, 37(Database issue): 105-110.

[13]HSU S D, LIN F M, WU W Y, et al. miRTarBase: A database curates experimentally validated microRNA-target interactions[J]. Nucleic Acids Res, 2011,39(Database issue):163-169.

[14]YANG J H, LI J H, SHAO P, et al. starBase: A database for exploring microRNA-mRNA interaction maps from Argonaute CLIP-Seq and Degradome-Seq data[J]. Nucleic Acids Res, 2011,39(Database issue):202-209.

[15]ZHANG Z, YU J, LI D, et al. PMRD: Plant microRNA database[J]. Nucleic Acids Res, 2010,38(Database issue):806-813.

[16]HSU S D, CHU C H, TSOU A P, et al. miRNAMap 2.0: Genomic maps of microRNAs in metazoan genomes[J]. Nucleic acids research, 2008,36(suppl 1):165-169.

[17]LEWIS B P, BURGE C B, BARTEL D P. Conserved seed pairing, often flanked by adenosines, indicates that thousands of human genes are microRNA targets[J]. Cell, 2005,120(1):15-20.

[18]BARTEL D P. MicroRNAs: Target recognition and regulatory functions[J]. Cell, 2009,136(2):215-233.

[19]MüCKSTEIN U, TAFER H, HACKERMüLLER J, et al. The-rmodynamics of RNA-RNA binding[J]. Bioinformatics, 2006,22(10):1177-1182.

[20]ENRIGHT A J, JOHN B, GAUL U, et al. MicroRNA targets in Drosophila[J]. Genome biology, 2004, 5(1):R1.

[21]FRIEDMAN R C, FARH K K H, BURGE C B, et al. Most mammalian mRNAs are conserved targets of microRNAs[J]. Genome research, 2009,19(1):92-105.

[22]GARCIA D M, BAEK D, SHIN C, et al. Weak seed-pairing stability and high target-site abundance decrease the proficiency of lsy-6 and other microRNAs[J]. Nature structural & molecular biology, 2011,18(10): 1139-1146.

[23]LALL S, GRüN D, KREK A, et al. A genome-wide map of conserved microRNA targets in C. elegans[J]. Current biology, 2006,16(5):460-471.

[24]MIRADA K C, HUYNH T, TAY Y, et al. A pattern-based method for the identification of MicroRNA binding sites and their corresponding heteroduplexes[J]. Cell, 2006,126(6):1203-1217.

[25]GAIDATZIS D, VAN NIMWEGEN E, HAUSSER J, et al. Inference of miRNA targets using evolutionary conservation and pathway analysis[J]. BMC bioinformatics, 2007,8(1):69.

[26]SAETROM O, Jr SNOVE O, SAETROM P. Weighted sequence motifs as an improved seeding step in microRNA target prediction algorithms[J]. RNA, 2005,11(7):995-1003.

[27]KIM S K, NAM J W, RHEE J K, et al. miTarget: MicroRNA target gene prediction using a support vector machine[J]. BMC bioinformatics, 2006,7(1):411.

[28]YAN X, CHAO T, TU K, et al. Improving the prediction of human microRNA target genes by using ensemble algorithm[J]. FEBS letters, 2007,581(8):1587-1593.

[29]YOUSEF M, JUNG S, KOSSENKOV A V, et al. Naive Bayes for microRNA target predictions--machine learning for microRNA targets[J]. Bioinformatics, 2007,23(22):2987-2992.

[30]WANG X, NAQA I M E. Prediction of both conserved and nonconserved microRNA targets in animals[J]. Bioinformatics, 2008,24(3):325-332.

[31]YANG Y, WANG Y P, LI K B. MiRTif: A support vector machine-based microRNA target interaction filter[J]. BMC bioinformatics, 2008,9(Suppl 12): 4.

[32]BANDYOPADHYAY S, MITRA R. TargetMiner: microRNA target prediction with systematic identification of tissue-specific negative examples[J]. Bioinformatics, 2009,25( 20): 2625-2631.

[33]CHANDRA V, GIRIJADEVI R, NAIR A S, et al. MTar: A computational microRNA target prediction architecture for human transcriptome[J]. BMC Bioinformatics, 2010,11( Suppl 1): 2.

[34]STURM M, HACKENBERG M, LANGENBERGER D, et al. TargetSpy: A supervised machine learning approach for microRNA target prediction[J]. BMC Bioinformatics, 2010,11: 292.

[35]MIRANDA K C, HUYNH T, TAY Y, et al. A pattern-based method for the identification of MicroRNA binding sites and their corresponding heteroduplexes[J]. Cell, 2006,126( 6):1203-1217.

[36]KRüGER J, REHMSMEIER M. RNAhybrid: MicroRNA target prediction easy, fast and flexible[J]. Nucleic acids research, 2006,34(suppl 2):451-454.

[37]KERTESZ M, IOVINO N, UNNERSTALL U, et al. The role of site accessibility in microRNA target recognition[J]. Nat Genet, 2007,39(10):1278-1284.

[38]MARAGKAKIS M, RECZKO M, SIMOSSIS V A, et al. DIANA-microT web server: Elucidating MicroRNA functions through target prediction[J]. Nucleic Acids Res, 2009,37(Web Server issue):273-276.

[39]REYES-HERRERA P H, FICARRA E, ACQUAVIVA A, et al. miREE: miRNA recognition elements ensemble[J]. BMC bioinformatics, 2011,12(1):454.

[40]XIE F, ZHANG B. Target-align: A tool for plant microRNA target identification[J]. Bioinformatics, 2010,26 (23):3002-3003.

[41]CHENG S, GUO M, WANG C, et al. MiRTDL: A deep learning approach for miRNA target prediction[J]. IEEE/ACM Transactions on Computational Biology and Bioinformatics, 2015, 36(36):1.

[42]Le BRIGAND K, ROBBE-SERMESANT K, MARI B, et al. MiRonTop: Mining microRNAs targets across large scale gene expression studies [J]. Bioinformatics, 2010, 26( 24):3131-3132.

[43]HSU J B, CHIU C M, HSU S D, et al. miRTar: An integrated system for identifying miRNA-target interactions in human[J]. BMC Bioinformatics, 2011,12:300.

[44]HEIKKINEN L, KOLEHMAINEN M, WONG G. Prediction of microRNA targets in Caenorhabditis elegans using a self-organizing map[J]. Bioinformatics, 2011,27( 9):1247-1254.

[45]LE T D, ZHANG J, LIU L, et al. Ensemble methods for MiRNA target prediction from expression data[J]. PLoS One, 2015,10( 6): e0131627.

[46]XU P, ZHU Y, SUN B, et al. Colorectal cancer characterization and therapeutic target prediction based on microRNA expression profile[J]. Sci Rep, 2016,6: 20616.