乳腺癌序列特征验证miRNAs和ERBB2基因的一类模型

⃝可在www.sciencedirect.com上在线获取ScienceDirectICTExpress 7（2021）468www.elsevier.com/locate/icte基于乳腺癌序列特征的一类模型验证miRNAs和ERBB2基因Juan Gutiérrez-Cárdenasa，b，Zenghui Wanga，南非佛罗里达大学，1710，南非b秘鲁利马利马大学接收日期：2020年11月10日;接收日期：2021年2月28日;接受日期：2021年3月8日可于2021年摘要miRNA-基因-疾病相互作用研究中的一个挑战是，寻找表明miRNA与基因之间正相关或负相关的标记数据是具有挑战性的。一类分类方法的使用显示了验证它们的有希望的路径。我们已经应用了两种一类分类方法，隔离森林和一类SVM，使用通过序列结合提取的特征来验证miRNA与乳腺癌中存在的ERBB2基因的相互作用。我们发现，一类SVM优于隔离森林模型，其灵敏度为80.49%，特异性为86.49%，显示出与以前研究相当的结果。此外，我们已经证明，使用基于序列的方法（考虑miRNA和基因序列结合特征）和一类模型提取的特征已被证明是验证这些遗传分子相互作用的可行方法c2021韩国通信和信息科学研究所（KICS）。出版社：Elsevier B.V.这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：miRNAs;乳腺癌;单类模型;无监督学习1. 介绍MicroRNA（miRNAs）是属于非编码RNA的小分子。它们的重要性在于它们与基因结合以调节其表达或降解它们。在某些情况下，这一过程与某些疾病的结果有关，如肿瘤生长或某些形式的癌症[1此外，这些单位的研究是必不可少的，因为它们作为生物标志物，如果靶向和识别，可以帮助治疗和诊断几种疾病，见图。1.一、他们的研究在过去的几年中，研究人员发现，通过使用机器学习技术，有可能预测这些相互作用或对可能增加或减少特定基因表达的miRNA组进行分类[7]。这些计算模型的使用时间更短，∗ 通讯作者。电子邮件地址： wangzengh@gmail.com（Z. Wang）。同行评审由韩国通信和信息科学研究所（KICS）负责https://doi.org/10.1016/j.icte.2021.03.001比他们的体外实验消耗更多的资源[8]。然而，在某些模型中，例如，监督学习对于分类，当一个样本属于一个类或另一个类时，应该使用一组标记数据来训练模型以进行离散化。虽然，在许多情况下，不可能找到标记数据;或者来自一个类的数据太稀少[7，9已经有许多关于miRNA和RNA相互作用的研究表明缺乏有效的数据。例如，[10]描述了与预测来自mRNA发夹结构的miRNA发夹相关的问题。其理论基础是，长度为21至25个核苷酸的miRNA发夹是从长度为60至90个核苷酸的RNA发夹中获得的。这种情况下的困难在于可用的miRNA发夹的数据集是适度有限的;因此，使用两类分类器是不可能的，而使用一类模型是可行的选择。在这种情况下，可以发现存在两个主要问题，第一个问题与由于存在标记数据而难以找到标记数据有关，第二，我们可能会得到一个不平衡的数据集。无论哪种方式，监督分类器模型的直接应用都存在限制因素。2405-9595/2021韩国通信和信息科学研究所（KICS）。出版社：Elsevier B.V.这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。J. Gut ier ez-C ar denas和Z. 王ICT Express 7（2021）468469Fig. 1. miRNA与ERBB 2基因相互作用时的影响示意图，取决于它们是过表达还是低表达，它们可以抑制或增殖恶性肿瘤细胞[12图片来源：Biorender。com。新颖性检测或单类分类是试图通过使用其中仅存在一个类的数据集来找到复杂类的计算模型的实现。T.斯皮诺萨和德卡瓦略的作品使用了这种类型生物信息学领域的新颖性检测[15]。在他们的工作中，他们测试了一种单类SVM，用于在由不可区分的疾病类别（如ALL-B，ALL-T和AML）组成的数据集中检测ALL-B白血病样本。他们选择的数据集由有限的记录组成，每个白血病类别从17个，27个或30个寄存器不等，但具有大约7000个特征的大量属性考虑到他们的结果，对于AML类型，所获得的准确度对于常规类约为85%，对于包含最多离群值的类约为60%。我们还可以提到[11]和Yousef等人的工作。[7]，其中作者尝试了不同类型的一类模型，通过使用二级结构或基因序列信息等特征来预测miRNA的存在。作者支持使用一类模型，因为基于阳性miRNAs类获得阴性数据通常是一个复杂且有偏倚的过程。为了验证他们的提议，他们预测了一组与爱泼斯坦巴尔病毒相关的miRNAs。他们通过使用一类SVM，使用人类数据中的二级结构特征获得了72%的灵敏度和99%的特异性值。然而，在研究中没有明确提到关于该模型的超参数调整的关于使用机器学习分类器来验证乳腺癌场景中涉及的miRNA，我们可以提到[5]的工作。这项研究使用了从国家癌症研究所的基因组数据共享数据门户网站[ 16 ]获得的数据集样本包括1103个肿瘤样本，7个转移瘤样本和104个健康样本。在这项研究中，我们观察到患者记录的数量和特征的数量之间的不平衡，后者在数量上优于患者的记录。出于这个原因，作者提出使用特征选择技术，如信息增益、卡方或最小绝对收缩和选择算子（Lasso）来选择最相关的miRNA，这些miRNA用作SVM和随机森林分类器的特征[5]。图二. 潜在的miRNA和基因序列结合特征，如能量释放，互补性得分和耦合区域可以用作已验证模型的输入特征。在miRNA和mRNA相互作用的研究中，存在两种重要的方法：一种方法涉及研究参与结合的序列的特征，如配对位点、可接近性或进化保守性数据;第二种方法考虑miRNA和mRNA表达水平中存在的负相关性[17]。在这项研究中，我们将使用基于序列的技术，见图。二、我们发现了一组有限的研究，关于验证miRNA-mRNA相互作用在癌症的情况下，使用从序列相互作用获得的功能。例如，我们在[11]和Yousef等人的研究中发现了无监督模型的使用。此外，我们遇到了[9]的研究，他们提出了一种监督和无监督技术的混合用于miRNA靶预测，但最终获得的结果主张使用SVM监督二进制分类器。此外，在miRNA和基因的研究中，相互作用的一个重要方面是，以正确的比例从阳性（或阴性）类中获得样本并不简单[9，18];最终有可能出现不平衡的数据集分类场景。尽管如此，这些情况影响使用的二进制分类模型，利用混合的技术，以获得负面的相互作用类。在这项研究中，我们使用了两种众所周知的技术：Isolation Forest [19]和One-class SVM [20]，用于我们的一类模型分类。关于这些关联中存在的miRNA和基因相互作用mirWalk基于基于序列的方法来检索miRNA相互作用，即可用于我们目的的可管理特征的数量。为了验证的目的，通过使用精度或特异性等指标，我们必须操作我们的数据集以获得负类的一个小子集。为了实现这一点，我们决定测试一种方法，该方法包括使用miRNA和mRNA之间的那些相互作用，这些相互作用存在由可用研究支持的弱相互作用或没有支持证据，例如，通过预测方法获得，但未经湿实验室实验验证。出于实验目的，我们选择的miRNAs与J. Gut ier ez-C ar denas和Z. 王ICT Express 7（2021）468470图三. 随后描述了方法。结合序列特征从mirWalk [36]中提取，强相互作用和弱相互作用的证据从miRTargetLink [23]中提取，两者都作为一类模型的输入。ERBB2基因，这是一个基因，可能导致乳腺癌的情况下，改变其表达。我们的实验获得的数据通过miRNAs基因相互作用工具（如mirTargetLink）进行验证[23]。2. 材料和方法2.1. 方法我 们遵 循的 步骤 包括 两个 主要 部 分。 第一 步与 从mirWalk中提取的miRNA-mRNA序列结合特征相关从这个集合中，我们提取了一个子集，形成一个小的验证子集（提取的总miRNAs的25%），作为一个负类，见图。3 .第三章。 选择该验证子集的元素的标准是考虑那些经文献验证具有弱相互作用或没有相互作用的miRNA。这种模式将使我们能够获得必要的指标，如灵敏度和特异性，以验证miRNA和ERBB2基因之间在我们得到这些子集之后，我们将应用隔离森林模型来检查我们的数据集中是否存在离群值，考虑所有样本。这些离群值将代表这些组分中较弱的mRNA和miRNA相互作用，并与我们为验证子集选择的miRNA相互作用相匹配。出于比较的目的，我们将应用一类SVM分类器来检查离群值的存在。值得一提的是，我们认为这些离群值是mRNA和miRNA组分之间的弱相互作用。使用从两个一类模型获得的指标，我们将使用混淆矩阵和精度，特异性，灵敏度和F1评分的指标来比较它们。此外，值得注意的是，这些模型只需要一个类进行训练，发现的任何其他数据（离群值），如果没有包含在边界中，都可以被视为异常。验证或测试子集的创建仅应用上述指标。类似的方法可以在Eude和Chang的工作中找到[37]。作为一个额外的细节，值得一提的是，这两个一类模型都将在强交互数据集中进行拟合或训练，然后在创建的验证子集中进行测试，以找到离群值。我们假设在训练集中很少存在离群值，而在包含弱相互作用的第二个数据集中，我们希望找到超过一半的离群值。我们将通过分析生成的混淆矩阵及其准确度，精确度，召回率和F1分数来验证我们的结果，并检查通过文献综述发现的一些离群值2.2. 数据集抽取和类内样本划分我们将使用从mirWalk [36]网页下载的数据作为实验部分。mirWalk是一个数据集，可以下载miRNA-mRNA相互作用，通过湿实验室实验进行预测和验证。他们下载的数据格式是CSV格式，它为我们提供了一组出现在miRNA和mRNA之间的序列相互作用中的属性，如Stitch等人的研究工作中所述。[38]和[21，22，39]。mirWalk中出现的大多数特征都是从TarPmirR软件中提取的[40]。作为我们实验目的的样本基因，我们决定选择ERBB2基因，这是一种出现在不同类型乳腺癌场景中的分子。关于 与 ERBB2 相 互 作 用 的 miRNA ， 我 们 已 经 从miRTargetLink Human下载了具有强或弱证据和预测相互作用的miRNA列表[23]。在某些情况下，我们无法找到miRNA-mRNA相互作用，因为文件中不存在基因名称ERBB 2。在这种情况下，我们通过使用GeneCards数据库搜索ERBB 2基因的别名（h t t p s：/ / w w w. geneecards.或g/）。miRNA的完整列表、根据[23]的证据支持类型、基因名称或别名以及指出其与研究基因关系的文献参考见表1。从这一点出发，我们继续使用箱线图分析数据集中是否存在在这一点上，值得一提的是，那些证据不足的miRNA和mRNA相互作用将被视为我们人工数据的子集。这些数据有时是使用真实数据生成的，并检查是否可以使用单类分类器来检测那些不属于我们的主类的数据点，并且本身可以被认为是离群值。考虑到从mirWalk获得的特征，我们决定使用定量特征并 丢 弃 不 相 关 的 特 征 。 未 选 择 的 特 征 是 ： mirnaid ，refseqid，genesymbol，seed（因为所有获得的值都被设置为1），position（它给了我们最长连续对的位置[40]。值可以是3个UTR（非翻译区）、5个UTR或CDS（编码序列），这是一个分类值）、已验证（它包含mirTarBase[41]中存在的所有已验证相互作用，一些数据缺失）、TargetScan和miRDB（两者都指出，如果J. Gut ier ez-C ar denas和Z. 王ICT Express 7（2021）468471−表1根据miRTargetLink，miRNA和ERBB2相互作用的证据类型支持[23]。数据分为强相互作用和弱相互作用。miRNA证据miRNA证据miRNA证据hsa-miR-125a-5p强[14，24]hsa-miR-323b-5p强大[25]hsa-miR-124-3p弱[26]HSA-mir-125b-5p强大[27]hsa-miR-331-3p强大[28]hsa-miR-326不适用[29]hsa-miR-134-5p强大[30]hsa-miR-375-3p强大[31]hsa-miR-4326弱[32]hsa-miR-193a-5p强大[33]hsa-miR-375-5p强大[31]hsa-miR-670-3pNAhsa-miR-199b-5p强大[13]hsa-miR-498-3p强大[34]hsa-miR-6739-3p弱hsa-miR-205-5p强大[12]hsa-miR-498-5p强大[34]hsa-miR-25-3p强大[1]hsa-miR-541-3p强大[35]hsa-miR-552-3p强大[4]表2隔离森林和单类SVM模型的混淆矩阵隔离森林单类SVM表4隔离森林和一类SVM的选定超参数。超参数隔离森林一类SVM表3真阳性真阴性真阳性真阴性树木数量20功能数量70%样品数量30Bootstrap True污染真核函数0.17163从隔离森林和一类SVM获得的样本模型精度灵敏度特异性F1得分孤立森林66.25%70.73%51.35%76.32%一类SVM81.88%百分之八十点四九86.49%87.22%这些数据是用其中一些数据库验证的）。我们将使用所有剩余的特征和特征的子集进行测试以用于验证目的，如[7，11]的工作中所述。此外，我们必须对数据进行归一化，为此，我们使用了一个标准标量，该标量在经验上与零自由度的z分数归一化相同。2.3. 一类模型应用与超参数调整我们决定首先应用隔离森林模型来检查异常值的存在。用于超参数调整的度量是加权F1分数。在测试了一系列可能的超参数后，我们最终得到了表2所示的结果。关于污染水平，我们将其设置为30%，我们事先知道这与来自文献的弱支持的miRNA和ERBB2相互作用的数量相适应。我们遵循类似的程序使用单类SVM，但在这种情况下使用网格搜索算法，交叉验证10倍。在使用网格搜索算法之前，我们必须执行两个额外的修改。首先，我们需要为训练集和测试集中的输出设置一种标签，以拟合我们的模型。出于这个原因，我们将+1的值赋予呈现强验证的miRNA和mRNA相互作用的那些样品，并且将1的值赋予呈现弱验证的在这一点上，值得记住的是，一类SVM只适用于一个具有同一类所有元素如果我们有一个精确的γ例如，知道哪个类是正的，哪个类是负的，那么我们可以将我们的解决方案简化为两类分类器并使用监督技术。我们做的第二个修改是为网格搜索算法的评分函数选择最佳度量。在这种情况下，我们无法使用精确度或准确度，因为我们正在处理一个无监督模型，所以我们决定选择一个基于F1分数的模型，它与精确度和召回率指标相关，并对每个交叉验证案例的每个输出结果进行加权平均。 为了将评分函数传递给我们的网格搜索算法，我们使用了F1-score [42]，它适用于不平衡数据的二进制分类。在应用网格搜索算法并通过手动选择进行验证后，我们找到了一个最佳超参数列表;参见表4。关于我们的数据集划分，我们将其划分为具有123种miRNA和mRNA相互作用的训练数据集和具有37种相互作用的验证或测试数据集。在第一个时刻，我们将单类SVM应用于只包含离群值检测训练集的数据集，以检测其中的新颖性，然后在第二种情况下，我们用所有数据的大约70%的样本（阳性验证训练数据）训练我们的模型，然后将此拟合模型应用于验证或测试集。最后一个过程允许我们获得用于验证目的的混淆矩阵并计算模型3. 结果3.1. 隔离森林与单类SVM在表2中的混淆矩阵中，对应于隔离森林和一类SVM模型，预测的肯定8718995预测阴性36192432J. Gut ier ez-C ar denas和Z. 王ICT Express 7（2021）468472代表那些与ERBB2基因相互作用的miRNA，而真阴性是那些没有强有力证据表明它们与ERBB2基因相互作用的miRNA。关于表3中所示的指标结果，我们认为将准确度用作比较这些模型的唯一指标相对不准确。原因是，出于明显的原因，也应该考虑对真阳性和假阴性率的分析，即，医疗系统。此外，我们认为F1评分是一个非常适合的指标，在这种情况下，我们可以有一个不平衡的数据集。通过比较我们的两个单类模型，隔离和单类SVM，我们发现SVM模型排除了隔离森林，在准确性方面的值为81.88%，F1得分为87.22%，而上述指标的值为66.25%-76.32%。4. 讨论和结论在本文中，我们使用一类SVM来寻找miRNA和mRNA的相互作用，当人们只有一组唯一的数据来提取这些关系时，并且不可能找到一组可以作为第二类的基因来使用，就像在定期监督的分类器中一样。在撰写本文之前，我们无法找到使用一类分类器通过使用乳腺癌情况下mRNA-miRNA序列的特征来研究miRNA和mRNA相互作用的证据Tran et al. [21]和Yousef et al. [11]提出了一个更接近的建议，其中一类分类器用于预测miRNA发夹或通过使用与基因表达数据相反的序列特征来预测miRNA。我们还发现，即使一类模型面向不平衡数据集中的异常检测和无监督学习，一些作者（如[21]）也使用将训练数据的子集转换为测试数据。最后，这个技巧对于应用精度或F1分数等指标来验证我们的结果是有用的;当没有直接的方法来生成此信息时，它似乎很有帮助Yousef et al. [7，11]。在我们的提案中使用了类似的方法，因为我们使用了考虑到文献综述的弱验证乳腺癌相关性的测试数据样本。最后，这被认为是我们的阴性样本数据集。在类似场景中获得的结果[11]发现，与常见的两类监督模型相比，测试的一类模型具有更高的灵敏度和较低的特异性。他们进行的实验是检测EB病毒中的miR- NAs。不同一类模型的灵敏度标准的结果大约在82%的范围内，没有关于特异性度量的信息。然而，我们的一类SVM模型获得了80.49%的灵敏度和86.49%的特异性值，给出了更稳定的结果。我们已经表明，它是可能的，以获得相对较好的准确性和81.88%和87.22%的F1分数。这分别使我们能够发现miR- NAs和ERBB癌基因之间有趣的关系，这可能是最初的研究。进一步研究的重点。当我们将单类SVM应用于训练集后检查结果时，我们发现大约19.51%的离群值;即使它们有强有力的支持证据，我们还是决定在文献中找到这些样本发生了什么。例如，我们发现数据集中的hsa-miR-25- 3 p有9种不同的与ERBB 2基因相互作用的方式，但只有一种是假阴性hsa-miR-125 a-5 p也发生了类似的情况，其中10个可用的相互作用中有一个被标记为假阴性.需要考虑的一点是，一个小RNA可以与mRNA的不同部分结合，甚至可以赋予一些特征的其他值，如自由能、茎环或侧翼保守性;这可能影响这些小RNA的最终分类。也许生成一个投票系统，就像KNN模型中使用的投票系统一样，将有助于将miRNA关于使用隔离森林获得的结果与单类支持向量机相比，我们可以认为，前者的相对较低的性能与随机森林如何执行其分类有关。正如我们所知，随机森林倾向于将空间划分为矩形部分，而SVM模型可以通过使用不同类型的内核来平滑分离空间。在[43]中提到了SVM模型在基因组数据中比RF表现更好的情况，并且在这个方向上做更多的研究将是有趣的。作为结论，本研究与监督技术相反，在标记数据不可行或类之间的区分过程很困难的情况下。CRediT作者贡献声明JuanGutie'r ez-Ca' rdenas：概念化，方法学，数据分析，写作-原始草稿。王增辉：确认结果，撰写-评论编辑.竞合利益作者声明，他们没有已知的可能影响本文所报告工作致谢本研究得到了南非国家研究基金会赠款（编号112108 -112142）和南非ESKOM高等教育支持计划（TESP）的部分支持。引用[1] H. Chen，H.潘湾，澳-地Qian，W. Zhou，X. Liu，MiR-25- 3 p通过靶向BTG 2促进三阴性乳腺癌的增殖，Mol Cancer。17（2018）4，http://dx.doi.org/10.1186/s12943-017-0754-0。[2] H.- Y. Loh，B.P. Norman，K. S.作者：N.M.A.N.Abd. Rahman，N.B.M. Alitheen，文学硕士Osman，MicroRNA在乳腺癌中的调节作用，IJMS20（2019）4940，http://dx.doi.org/10.3390/ijms20194940。J. Gut ier ez-C ar denas和Z. 王ICT Express 7（2021）468473[3] P. Paul，A. Chakraborty，D. Sarkar，M. Langthasa，M.拉赫曼，M。 巴里，RK.S. Singha，A.K. Malakar，S. Chakraborty，miRNA与 人 类 疾 病 之 间 的 相 互 作 用 ， J. Cell Physiol. 233 （ 2018 ）2007http://dx.doi.org/10.1002/jcp.25854[4] A. Penyige ， P. 马 顿 湾 Soltész ， M. 西 拉 吉 - 博 尼 日 河 Póka ， J.Lukács，L.塞莱斯湾Nagy，卵巢癌患者血浆样本中的循环miRNA谱，IJMS20（2019）4533，http：//dx。doi.org/10.3390/ijms20184533网站。[5] O. H. Zhuang，黑冠菊A. Adried Ali，A. Ibrahim，Z. Li，Validationof miRNAs as breast cancer biomarkers with a machine learningapproach，Cancers.11（2019）431，http://dx.doi.org/10.3390/cancers11030431。[6] X. Yan，T. Chao，K.图，Y。张丽Xie，Y. Gong，J. Yuan，B. 阿强，X. Peng，Improving the prediction of human microRNA target genesbyusingensemblealgorithm ， FEBSLett.581 （ 2007 ）1587http://dx.doi.org/10.1016/j.febslet.2007.03.022[7] M. Yousef，N. Najami，W. Khalifav，A comparison study betweenone-class and two-class machine learning for MicroRNA targetdetection，JBiSE03（2010）247http://dx.doi.org/10.4236/jbise.2010.33033[8] K.郑志- H.你，L。Wang，Y.周湖P. Li，Z.- W. Li，MLMDA：amachine learning approach to predict and validate MicroRNA-diseaseassociations by integrating of heterogeneous information sources ， J.Transl. 17 （ 2019 ） 260 ， http://dx.doi.org/10 。 1186/s12967-019-2009-x。[9] N. Sedaghat，M. Fathy，M.H. Modarressi，A. Shojaie，结合监督和无 监 督 学 习 用 于 改 进 的 miRNA 靶 标 预 测 ， IEEE/ACM Trans.Comput.生物信息学（2018）1、http：//dx.doi.org/10.1109/TCBB.2017.2727042网站。[10] D.H. Tran，T.H. Pham，K.佐藤，T. B.何，使用一类支持向量机预测microRNA发夹，在：2008第二届国际生物信息学和生物医学工程会议，IEEE，上海，中国，2008，pp.33http://dx.doi.org/10.1109/[11] M. Yousef，S. Jung，L.C. Showe，M.K. Showe，当负类未确定时从正例中学习- microRNA基因识别，算法Mol。3（2008）2，http://dx.doi.org/10。1186/1748-7188-3-2.[12] A. De Cola ， S. Volpe ， M.C. 布 达 尼 湾 费 拉 钦 河 Lattanzio ， A.Turdo，D. D'Agostino，E. Capone，G. Stassi，M.托达罗角Di Ilio，G.萨拉湾Piantelli，M. Negrini，A. Veronese，V. De Laurenzi，乳腺癌干细胞中miR-205- 5 p介导的ErbB/HER受体下调导致靶向治疗抗性，CellDeathDis.6（2015）e1823，http://dx.doi.org/10.1038/cddis.2015.192。[13] C. Fang，Y. Zhao，B. Guo，MiR-199 b-5 p在乳腺癌细胞中靶向HER 2 ， J. Cell. 114 （ 2013 ） 1457 http://dx.doi.org/10 。1002/jcb.24487。[14] L. Ninio-Many，E.Hikri，T.Burg-Golani，S.M.施特默河沙勒吉，I. Ben-Aharon，miR-125 a在三阴性乳腺癌细胞系中诱导HER 2表达和 对 曲 妥 珠 单 抗 的 敏 感 性 ， Front. Oncol. 10 （ 2020 ） 191 ，http://dx.doi.org/10.3389/fonc.2020.00191。[15] E.J. Spinosa，Andre de Carvalho，SVMs for novel class detection inBioinformatics，in：Brazilian Workshop on Bioinformatics，2004，pp. 81-88.[16] 国家癌症研究所网站，2020年，https://www.cancer。gov，（2020年9月20日访问）。[17] V.V. Pham，J.张丽刘湾，澳-地Truong，T.Xu，T. T.Nguyen，J.李鹏说，T.D. Le，Identifying miRNA-mRNA regulatory relationships in breastcancer with invariant causal prediction ， BMC Bioinformatics 20（2019）143，http://dx.doi.org/10.1186/s12859-019-2668-x.[18] I.伊里戈因湾谢拉角Arenas，对医学数据的一类分类方法的应用，科学。World J. 2014（2014）1http://dx.doi.org/10.1155/2014/730712[19] F.T.标准时间Liu，K.M. Ting，Z.- H. Zhou，Isolation forest，in：2008 Eighth IEEE International Conference on Data Mining，IEEE，Pisa，Italy，2008. 413http://dx.doi.org/10.1109/ICDM.2008.17[20] B. Schölkopf ， J.C. Platt ， J. Shawe-Taylor ， A.J. Smola ， R.C.Williamson，估计高维分布的支持度，神经计算。13（2001）1443http://dx.doi.org/10.1162/J. Gut ier ez-C ar denas和Z. 王ICT Express 7（2021）468474[21] H.德韦角Sticht，P. Pandey，N. Gretz，miRwalk -数据库：通过“步行”基因预测可能的miRNA结合位点三个基因组，J.Biomed 。 告 知 。 44 （ 2011 ） 839-847 ， http ： //dx.doi.org/10.1016/j.jbi.2011.05.002网站。[22] H.德韦角Sticht，N. Gretz，用于筛选可能的微小RNA结合位点及其 相 互 作 用 的 计 算 机 算 法 ， CG14 （ 2013 ）127http://dx.doi.org/10.2174/1389202911314020005[23] M. 汉贝格角巴克斯，T。Fehlmann，M.哈特湾Meder，E.米斯A. Keller，miRtargetlink-miRNAs，基因和相互作用网络，IJMS17（2016）564，http://dx.doi.org/10.3390/ijms17040564。[24] D.T. Vo，N.K.卡拉纳姆湖Ding，D.萨哈，J.S.约迪大学Giri，J.V.Heymach ， 医 学 博 士 Story ， miR-125 a-5 p 作 为 肿 瘤 抑 制microRNA发挥作用，是头颈癌、肿瘤局部复发和预后不良的标志物。21（2019）849http://dx.doi.org/10.1016/j.neo.2019.06.004[25] B.M. Sugita，S.R. 佩雷拉 de Almeida，M. 吉尔A. 马哈詹，A. Duttargi，S. Kirolikar，P. Fadda，R.S. de Lima，C.A. Urban，K. Makambi，S. Madhavan，S.M.博卡岛Gusev，I.J. Cavalli ，E.M.S.F. Ribeiro，L.R. Cavalli，拉丁美洲患者三阴性乳腺癌中的整合拷贝数和miRNA表达分析，On-cotarget 10（2019）6184http://dx.doi.org/10.18632/oncotarget。27250。[26] Y.王湖，加-地Chen，Z. Wu，M. Wang，F. Jin，N. Wang，X.Hu，Z.刘角Y. Zhang，K.作者：J. Liang，Y. Zhang，X. Chen，miR- 124- 3 p通过靶向CBL、BMC癌症在乳腺癌中作为肿瘤抑制因子发挥作用。16（2016）826，http://dx.doi.org/10.1186/s12885-016-2862-4。[27] M. Ferracin ， C. Bassi ， M. Pedriali ， S. 帕 戈 托 湖 达 本 多 湾Zagatti，F.科拉湾Musa，E.卡莱加里湖Lupini，S.沃尔帕托，P. Querzoli，M. Negrini，miR-125 b靶向促红细胞生成素及其受体，其表达与转移潜能和ERBB 2/HER 2表达相关，Mol Cancer。12（2013）130，http://dx.doi。org/10.1186/1476-4598-12-130。[28] D. Zhao，Y. Sui，X. Zheng，miR-331- 3 p通过在结肠直肠癌中通过PI 3 K/Akt和ERK 1/2途径靶向HER 2抑制增殖并促进凋亡，Oncol. Rep. 35（2016）1075http://dx.doi.org/10.3892/or.2015.4450[29] Z. Ghaemi，B.M. Soltani，S.J. Mowla，MicroRNA-326 functionsas a tumor suppressor in breast cancer by targeting ErbB/PI3ksignalingpathway ， Front.Oncol.9 （ 2019 ） 653 ，http://dx.doi.org/10.3389/fonc。2019.00653。[30] J. - Y.潘角，澳-地张角C.孙，S.- J. Li，G.李，F.- Y.龚氏T.波，杰，贺，瑞- X.华，W.- D.胡，Z.- P. Yuan，X.王，Q.- Q.他，D。J. Li，miR-134：人类癌症抑制因子？摩尔在那里。Nucleic Acids6（2017）140http://dx.doi.org/10.1016/j.omtn.2016.11.003[31] Z.- Y. Shen，Z.- Z. Zhang，H. Liu，E.- H. Zhao，H. Cao，miR-375通过抑制ERBB 2表达抑制胃癌细胞增殖，Exp. TherapeuticMed.7（2014）1757 http://dx.doi。org/10.3892/etm.2014.1627。[32] Martinez-Gutierrez，D.坎图德莱昂岛放大图片作者：J. Porras-Reyes，A. Exayana-Alderete角新泽西州洛佩斯-卡马里洛埃雷拉河拉莫斯-帕扬C. Pérez-Plasmodium，乳腺癌中miRNA主调节因子的鉴定，细胞9（2020）1610，http://dx.doi.org/10.3390/cells9071610。[33] F. Xie，S.霍萨尼，S。Zhong，Y.中国云南省，云南省Jiang，F.张丽Lin，X.Wang，S.Gao、X. Hu，MicroRNA-193 a通过下调WT 1抑制乳腺癌增殖和转移，PLoSOne12（2017）e0185565，http://dx.doi.org/10.1371/journal.pone.0185565。[34] N. 马 塔马 拉 山巴 尔 加斯 河 ，巴 西 - 地 González-Cámpora ， J.I.Arias，P. Menéndez，E. Andrés-León，K. Yanowsky，A.利亚内萨福尔格拉斯河米尼安布雷斯湾Martínez-Delgado，J. Benítez，MicroRNA deregulation in triple negative breast cancer reveals a roleof miR-498 in regulating BRCA1 expression，Oncotarget 7（2016）20068 http://dx.doi. org/10.18632/oncotarget.7705。[35] R.M.萨雷耶尔丁岛 古普塔岛 Al-Hashimi，H.A. Al-Thawadi，H.F. Al Farsi，S. Vranic，A. E. Al Moustafa，基因表达和miRNA分析：人表皮生长因子受体2（HER2）阳性乳腺癌的功能和调节，癌症11（2019）646，http://dx.doi.org/10.3390/cancers11050646。J. Gut ier ez-C ar denas和Z. 王ICT Express 7（2021）468475[36] m