Resumen

Como uno de los factores en la familia de ARN no codificante, los microARNs (miARNs) están involucrados en el desarrollo y la progresión de varias enfermedades complejas. La identificación experimental de la asociación miARN-enfermedad es costosa y consume mucho tiempo. Por lo tanto, es necesario diseñar algoritmos eficientes para identificar nuevas asociaciones miARN-enfermedad. En este artículo, desarrollamos el método computacional de Factorización Matricial Colaborativa para la predicción de asociaciones miARN-enfermedad (CMFMDA) para identificar posibles asociaciones miARN-enfermedad integrando la similitud funcional de los miARN, la similitud semántica de las enfermedades y las asociaciones miARN-enfermedad verificadas experimentalmente. Los experimentos verificaron que CMFMDA logra su propósito previsto y valores de aplicación con su corto tiempo de consumo y alta precisión de predicción. Además, utilizamos CMFMDA en Neoplasias de Esófago y Neoplasias de Riñón para revelar sus

• Materias:Simulación dinámica Toma de decisiones Regresión lineal Cargas controladas Seguridad multimedia
• Subjects:Dynamic simulation Decision making Linear regression Controlled loads Multimedia safety
• Palabras claves:MicroARN; Asociación miARN-enfermedad; Factorización de Matrices Colaborativas; CMFMDA; Neoplasias de Esófago; Neoplasias Renales
• Keywords:MicroRNAs; MiRNA-disease association; Collaborative Matrix Factorization; CMFMDA; Esophageal Neoplasms; Kidney Neoplasms