《表1 预测miRNA靶基因的代表性ab initio方法Tab.1 ab initio methods for miRNA target prediction》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《microRNA靶基因预测算法的研究与发展》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

在此，研究可得如上各类方法的主题网址及实用预测结果的对照比较，具体见表1。通过上述内容分析可知，ab initio算法的不足是预测的结果假阳性颇高。其有效的技术策略是，通过上述内容分析可知，ab initio算法使用严格的限制条件来减少假阳性预测结果的数量。然而，过滤也会使一些真正的靶基因发生丢弃。比如Pic Tar，Target Scan和DIANA，为了获取可观的正确度（约50%），这些算法具有显著妥协的敏感度（约10%）。而机器学习算法是实验支持的反例数量偏低（反例通常不会公开发布并且不会记录在数据库中），导致正例和反例数量未臻均衡，影响分类模型的预测准确度。因此，接下来在分述机器学习算法的同时，也将全面拓展式地概述了这些方法所用的数据。