JP4791737B2 - 機能性核酸配列解析方法 - Google Patents
機能性核酸配列解析方法 Download PDFInfo
- Publication number
- JP4791737B2 JP4791737B2 JP2005052064A JP2005052064A JP4791737B2 JP 4791737 B2 JP4791737 B2 JP 4791737B2 JP 2005052064 A JP2005052064 A JP 2005052064A JP 2005052064 A JP2005052064 A JP 2005052064A JP 4791737 B2 JP4791737 B2 JP 4791737B2
- Authority
- JP
- Japan
- Prior art keywords
- nucleic acid
- acid sequence
- functional nucleic
- computer
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 150000007523 nucleic acids Chemical group 0.000 title claims description 95
- 108091028043 Nucleic acid sequence Proteins 0.000 title claims description 58
- 238000000034 method Methods 0.000 title claims description 48
- 238000012300 Sequence Analysis Methods 0.000 title claims description 5
- 108020004459 Small interfering RNA Proteins 0.000 claims description 30
- 108020004707 nucleic acids Proteins 0.000 claims description 29
- 102000039446 nucleic acids Human genes 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 26
- 239000004055 small Interfering RNA Substances 0.000 claims description 26
- 238000007637 random forest analysis Methods 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 230000000692 anti-sense effect Effects 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 108091023037 Aptamer Proteins 0.000 claims description 5
- 102000053642 Catalytic RNA Human genes 0.000 claims description 5
- 108090000994 Catalytic RNA Proteins 0.000 claims description 5
- 108091092562 ribozyme Proteins 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 19
- 108090000623 proteins and genes Proteins 0.000 description 16
- 230000009368 gene silencing by RNA Effects 0.000 description 12
- 108091030071 RNAI Proteins 0.000 description 11
- 230000014509 gene expression Effects 0.000 description 10
- 108020004999 messenger RNA Proteins 0.000 description 10
- 238000013461 design Methods 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 6
- 238000002790 cross-validation Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000002401 inhibitory effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000007876 drug discovery Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010230 functional analysis Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 210000004962 mammalian cell Anatomy 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 108091032973 (ribonucleotides)n+m Proteins 0.000 description 1
- 102000040650 (ribonucleotides)n+m Human genes 0.000 description 1
- 102000014150 Interferons Human genes 0.000 description 1
- 108010050904 Interferons Proteins 0.000 description 1
- 238000012228 RNA interference-mediated gene silencing Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- -1 for example Proteins 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 229940079322 interferon Drugs 0.000 description 1
- 230000010468 interferon response Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000001404 mediated effect Effects 0.000 description 1
- 108091070501 miRNA Proteins 0.000 description 1
- 239000002679 microRNA Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
特に、RNAiは、標的遺伝子(メッセンジャーRNA、以下mRNA)を破壊すること(ノックダウン)で発現を抑制するため、遺伝子の機能解析に有効な方法として注目を集めている。
当初、哺乳類細胞に対しては、二本鎖RNAがインターフェロン反応による非特異的な阻害効果を引き起こすため、RNAiによるノックダウンは難しいと考えられてきた。しかし、2001年TuschlらによってRNAiの中間体で21〜23塩基からなる短い干渉RNA(small interfering RNAs、以下siRNA)を用いることにより、インターフェロン応答の経路を回避して、哺乳類細胞でRNAiを効率よく引き起こす事が示されたことが報告されている(非特許文献1、非特許文献2)。前述の技術が開発されたことで今日ではsiRNAを用いることでRNAi技術が医薬への応用に広く利用されるようになってきた。
例えば、siRNAの設計においては、標的mRNAに対して阻害活性を有する配列を選択することが重要である。siRNA配列の決定方法は、経験的ルールから標的mRNAのsiRNAに用いる候補配列を選抜し、既知のsiRNA配列の特徴からsiRNA候補配列の翻訳阻害活性の推定を行い、RNAiに用いる配列の優先順位となる情報を付与する方法が一般的である。
また、アンチセンス核酸配列の決定方法は、標的mRNAの2次構造予測、好適な局所RNA2次構造モチーフ(ステム構造、ループ構造など)の同定、好適なターゲット配列に相補的なアンチセンス核酸配列の決定、分子内および分子間の非特異的相互作用の除外などによって決定しており、前記標的mRNAの2次構造予測としては数種類のコンピュータープログラムが既に開発されている(非特許文献3)。
Elbashir et al., Nature, 411, 494, 2001 実験医学 vol.20 No.18,2002 Mathews et al., J. Mol. Biol., 288, 911, 1999; Zuker et al., Curr. Opin. Struc. Biol., 10, 303, 2000
従来の設計方法では、経験的な指標に基づいて候補となる塩基配列を決定していたが、高い活性を有する核酸配列が得られないことが多く、活性の高い核酸配列を得るには、多くの作業と時間を費やす必要があった。
実験のコスト軽減・効率化を目的として、情報科学分野の手法を用いた計算機実験において対象となる遺伝子の発現制御機能を有する機能性核酸配列を高い確度で選別して設計する方法が多く試みられてきた。
これまでに情報科学分野、特に機械学習の手法を利用し、siRNA効能を予測する方法等、機能性核酸配列の解析方法がいくつか見いだされている。これらの手法の多くは、熱力学の特性か核酸配列の特徴に基づいて候補となる配列の機能予測について提供されたものである。しかし、従来の方法は高い効能を有する配列の設計に適用するには不十分であった( Satrom, P., Snove, O., (2004) Biochem. Biophys. Res. Commun. 321, 247-253.)。
また、従来のアンチセンス核酸の配列決定は標的mRNAの2次構造予測を介して行われていたが、その予測に用いる熱力学的パラメータは試験管内の理想状態で取得されたデータに基づくため、必ずしも細胞内での実際の構造を反映しているとは限らず、十分に効果のある配列を見つけられなかった。
本発明者らは、機能性核酸の塩基配列を1-merごとに分割し位置ごとの特徴量を学習データとして教師付き学習に用いる方法で機能性核酸配列の機能予測と該機能を有する配列を設計する解析方法を見いだした。
即ち本発明の要旨は以下のとおりである。
〔1〕 以下(1)〜(3)の工程を含む機能性核酸配列の解析方法;
(1)機能が既知の機能性核酸配列の塩基配列データを1-merごとに分割し位置ごとの特徴量とし、
(2)前記(1)で得た特徴量に決定木を下位学習アルゴリズムに説明変数のランダムサンプリングも行いながら、決定木と属性サンプリングを組み合わせるアンサンブル学習アルゴリズム(ランダム・フォーレスト)によって活性有無に関わる特徴データの解析を行い任意の配列を得る工程、
(3)前記(1)で解析した各配列情報を学習データに用いランダム・フォーレストを適用して機能性核酸配列の予測モデルを構築する工程、
(4)予測する機能性核酸配列データを前記(3)で構築した予測モデルに適用して機能性核酸配列を解析する工程。
〔2〕 機能性核酸が、短い干渉RNA(siRNA)、アンチセンス核酸、おとり型核酸(デコイ)、リボザイムまたはアプタマーである上記1記載の方法。
〔3〕 機能性核酸が、短い干渉RNA(siRNA)である上記1または2記載の方法
〔4〕 上記1〜3に記載された方法をコンピュータに実行させることを特徴とするコンピュータ読み取り可能なプログラム。
〔5〕 上記4に記載されたコンピュータ読み取り可能なプログラムを格納した電子媒体。
〔6〕 以下の(1)〜(6)の特徴を有する機能性核酸配列の解析システム;
(1)既知の機能性核酸の塩基配列とその活性データを入力する手段、
(2)既知の機能性核酸配列の塩基配列データを1-merごとに分割し位置ごとの特徴量とし、前記で得た特徴量に決定木を下位学習アルゴリズムに説明変数のランダムサンプリングも行いながら、決定木と属性サンプリングを組み合わせるアンサンブル学習アルゴリズム(ランダム・フォーレスト)によって活性有無に関わる特徴データの解析を行い任意の配列を得る手段、
(3)前記(2)で解析した各配列情報を学習データに用いランダム・フォーレストを適用して機能性核酸配列の予測モデルを構築する手段、
(4)予測する機能性核酸配列データを前記(3)で構築した予測モデルに適用して機能性核酸配列を解析する手段、
(5)該機能の効果の有無を解析する手段、
(6)上記解析結果を出力する出力手段。
〔7〕 機能性核酸が、短い干渉RNA(siRNA)、アンチセンス核酸、おとり型核酸(デコイ)、リボザイムまたはアプタマーである上記6記載の解析システム。
〔8〕 機能性核酸が、短い干渉RNA(siRNA)である上記6または7記載の解析システム。
本発明において、
「機能性核酸」とは、目的遺伝子の発現に影響を与える機能を有する核酸配列のことをいう。例えば、mRNAを破壊して遺伝子発現を抑制する干渉RNA(RNAi)または、短い干渉RNA(siRNA)、核酸配列において目的のmRNAに相補的な遺伝子構造物であるアンチセンス核酸の他、おとり型核酸(デコイ)、リボザイムまたはアプタマー等が挙げられる。
詳しくは、コンピュータを用いて、既知情報から得られる遺伝子の機能制御に対する活性を有する機能性核酸配列の塩基配列データ、活性の有無に関わる特徴データを教師付学習アルゴリズムに適用して解析し、任意の配列を得た情報を学習モデルとし、次に目的遺伝子、例えば、mRNA等から抽出した機能性核酸配列候補から得られる前記と同様の解析データを、前記教師付学習アルゴリズム適用して、目的遺伝子の遺伝子発現制御効果を解析させることによって機能性核酸配列を決定する設計方法である。
本発明における機械学習アルゴリズムは「ランダム・フォーレスト」を適用した。
本発明で用いる「ランダム・フォーレスト」は決定木(CART法など)を下位学習アルゴリズムに持つアンサンブル学習アルゴリズムである(図3)。教師つき学習の場合は説明変数のランダムサンプリングも行いながら、CARTとbaggingを組み合わせる。
ランダム・フォーレストを実装したソフトウエアは、種々のプログラミング言語によって記述されたものが公共に提供されており、容易に入手できる。例えば、R言語によりランダム・フォーレストを実装したソフトウェアは例えば(http://cran.r-project.org/)から入手できる。ランダム・フォーレストの原理はBreiman, L., (2001) Machine Leaning, 45, 5-32.に記載されている。
本発明でいう学習器とは「ランダム・フォーレスト」を指すが、一般的には入出力関係を持ったもので、ニューラル・ネットワーク(Neural Network) 、ラジアル・ベーシス・ファンクション・ネットワーク(Radial Basis Function Network)等、神経回路を模倣したもの或いはサポート・ベクター・マシン等、統計モデル全般を示す。
101で機能が既知の機能性核酸配列の塩基配列データを1-merごとに分割し位置ごとの特徴量とした解析情報を取得し、
102で101で得た特徴量にランダム・フォーレストによって該機能性核酸の活性有無に関わる特徴データの解析を行って任意の機能性核酸配列を得る。
具体的には、機能性核酸の塩基配列を文字列(例えばA、U、G、C)としてランダム・フォーレストへの適応データとし、機能(例えば、有効、効果がない等)を分類するための情報を教師ラベルとして該機能性核酸の塩基配列を割り当てる。教師ラベルの割り当てをsiRNAを一例として表現した概念図を図3に示す。図3の301のsiRNA全長の塩基データを図3の302に示すように位置(position)と効能(efficacy)の情報を各塩基の位置ごとに行列として表示したものである。
前記教師ラベルを割り当てた配列情報をランダム・フォーレストの訓練データとして用いる。
103で、前記(102)で解析した各機能性核酸配列の文字列情報を訓練データに用いて、ランダム・フォーレストに適用して機能性核酸配列の予測モデルを構築する。ランダム・フォーレストの概念を図3の303に示す。
104で、予測候補の機能性核酸配列データに103で構築した予測モデルを適用して該機能性核酸配列の活性分析および、該活性を有する配列の設計をおこなう。
105で機能性核酸配列の活性に対する予測結果の出力を行う。
ランダム・フォーレストを実装したソフトウエアは、種々のプログラミング言語によって記述されたものが公共に提供されており、容易に入手できる。例えば、R言語によりランダム・フォーレストを実装したソフトウェアは例えば(http://cran.r-project.org/)から入手できる。ランダム・フォーレストの原理はBreiman, L., (2001) Machine Leaning, 45, 5-32.に記載されている。
本発明の方法によって予測されたsiRNAに対する活性の予測結果は、紙、磁気、磁気光ディスク、または光ディスク等の記録媒体に記録されていてもよい。
図1の101〜105の解析方法を実行させるプログラムで、これらは、図1に示したアルゴリズムの手順にそって1つのモジュールであっても、それぞれのパート毎に書かれたモジュールを組み合わせて使用してもよい。これらは磁気または、磁気光ディスク、光ディスク等の記録媒体に記録されている。
本発明解析方法を実行させる装置の構成を図4に示す。201〜205は、前記101〜105の工程にてデータ入力、演算、解析、予測に使用するためのシステムである。206〜208は201〜204のシステムの実行結果を出力するおよび/または記録するための装置である。
以下に、本発明の方法の手順を図2を参照して説明する。図2は、本発明のシステム構成を説明するための図である。
201は、機能が既知の機能性核酸配列の塩基配列データを入力する手段、
202は、入力された塩基配列を1-merごとに分割し位置ごとの特徴量を解析した情報を取得する手段、
203は、202で得た特徴量に、ランダム・フォーレストによって該機能性核酸の活性有無に関わる特徴データの解析を行い、任意の機能性核酸配列を取得する手段、
204は、203で取得した機能性核酸配列の文字列情報を学習データに用いランダム・フォーレストに適用して機能性核酸配列の予測モデルを構築する手段、
205で、予測候補の機能性核酸配列データを204で構築した予測モデルに適用して該機能性核酸配列の活性分析および、該活性を有する配列の設計をおこなう手段をそれぞれ備えている。
201〜208のシステムは、全てが含まれて一体化したシステムでも、各々が分離したシステムでも、一部の手段を実行させる装置を含んだ装置を複数組み合わせたシステムであってもよい。
上記のシステムは、電子計算機であればよく、サーバー、パーソナルコンピュータ(以下PC)等が挙げられ、計算機の能力は制限しない。
本発明解析方法を実行させるプログラムを動作させるオペレーションシステムも汎用ソフトウェア例えば、Linux系OS、マイクロソフトウインドウズ(登録商標)シリーズ等でよい。
以下の手順に従って、計算機実験を実施した。
1 siRNA配列(19-mer)を1-merごとに分割し、位置ごとの特徴量とした。
2 ランダム・フォーレストによって、訓練データを学習し、交差検証法によってモデルの妥当性評価を行った。
交差検証の方法はアウト・オブ・バッグ(Out-Of-Bag,OOB)サンプルを用いた。アウト・オブ・バッグサンプルの検証方法はBreiman, L., (2001) Machine Leaning, 45, 5-32.に記載されている。
交差検証用データは公知文献(Functional siRNAs and miRNAs exhibit strand bias ,Cell 115 ,209-16,2003)記載の94本のsiRNAである。結果を表1に示す。
Claims (8)
- コンピュータを用いた機能性核酸配列の解析方法であって、
(1)コンピュータにより、機能が既知の機能性核酸配列の塩基配列データを1−merごとに分割し、分割したそれぞれについて、塩基の種類と、塩基配列内での位置と対応づけた情報を取得し、前記コンピュータと接続された記憶手段に記憶する工程と、
(2)コンピュータにより、前記(1)の工程で得た情報に、説明変数のランダムサンプリングも行いながら、決定木を、下位学習アルゴリズムに、決定木と属性サンプリングを組み合わせるアンサンブル学習アルゴリズムによって、活性の有無に関わる特徴データの解析を行う工程と、
(3)コンピュータにより、前記(2)の工程で解析した特徴データを学習データに用い、ランダム・フォーレストを適用して機能性核酸配列の予測モデルを構築し、構築された予測モデルを、前記コンピュータに接続された記憶手段に格納する工程と、
(4)コンピュータにより、予測対象である機能性核酸配列データを、前記(3)の工程で構築した予測モデルに適用して機能性核酸の配列を解析する工程と
を含むことを特徴とする機能性核酸配列の解析方法。 - 前記(4)の工程では、
予測対象である機能性核酸配列データの機能の有無を予測する
ことを特徴とする請求項1に記載の機能性核酸配列の解析方法。 - 前記アンサンブル学習アルゴリズムは、
ランダム・フォーレストである
ことを特徴とする請求項1又は2に記載の機能性核酸配列の解析方法。 - 前記機能性核酸は、
短い干渉RNA(siRNA)、アンチセンス核酸、おとり型核酸(デコイ)、リボザイム、またはアプタマーのいずれかである
ことを特徴とする請求項1から3のいずかに記載の機能性核酸配列の解析方法。 - 請求項1から請求項4のいずれかに記載の機能性核酸配列の解析方法を、コンピュータに実行させる
ことを特徴としたコンピュータ読み取り可能なプログラム。 - 請求項5に記載のプログラムを格納したコンピュータ読み取り可能な記録媒体。
- コンピュータを用いた機能性核酸配列解析装置であって、
(1)コンピュータにより、機能が既知の機能性核酸配列の塩基配列データを1−merごとに分割し、分割したそれぞれについて、塩基の種類と、塩基配列内での位置と対応づけた情報を取得し、前記コンピュータと接続された記憶手段に記憶する手段と、
(2)コンピュータにより、前記(1)の工程で得た情報に、説明変数のランダムサンプリングも行いながら、決定木を、下位学習アルゴリズムに、決定木と属性サンプリングを組み合わせるアンサンブル学習アルゴリズムによって、活性の有無に関わる特徴データの解析を行う手段と、
(3)コンピュータにより、前記(2)の工程で解析した特徴データを学習データに用い、ランダム・フォーレストを適用して機能性核酸配列の予測モデルを構築し、構築された予測モデルを、前記コンピュータに接続された記憶手段に格納する手段と、
(4)コンピュータにより、予測対象である機能性核酸配列データを、前記(3)の工程で構築した予測モデルに適用して機能性核酸の配列を解析する手段と
を含むことを特徴とする機能性核酸配列解析装置。 - 前記機能性核酸は、
短い干渉RNA(siRNA)、アンチセンス核酸、おとり型核酸(デコイ)、リボザイム、またはアプタマーのいずれかである
ことを特徴とする請求項7に記載の機能性核酸配列解析装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2005052064A JP4791737B2 (ja) | 2005-02-25 | 2005-02-25 | 機能性核酸配列解析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2005052064A JP4791737B2 (ja) | 2005-02-25 | 2005-02-25 | 機能性核酸配列解析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2006236153A JP2006236153A (ja) | 2006-09-07 |
JP4791737B2 true JP4791737B2 (ja) | 2011-10-12 |
Family
ID=37043708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2005052064A Expired - Fee Related JP4791737B2 (ja) | 2005-02-25 | 2005-02-25 | 機能性核酸配列解析方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP4791737B2 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3648109A4 (en) * | 2017-06-30 | 2020-06-24 | Nec Corporation | PREDICTION DEVICE, PREDICTION METHOD, INFORMATION MEDIUM STORED WITH PREDICTION PROGRAM, AND GENETIC INFERENCE DEVICE |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6319970B2 (ja) | 2013-08-20 | 2018-05-09 | キヤノン株式会社 | 画像通信装置およびその制御方法 |
CN107292186B (zh) * | 2016-03-31 | 2021-01-12 | 阿里巴巴集团控股有限公司 | 一种基于随机森林的模型训练方法和装置 |
CN110600080B (zh) * | 2019-09-10 | 2023-04-18 | 上海交通大学医学院附属仁济医院 | 一种基于多维度分析框架的功能核酸全面识别方法及其应用 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005038377A (ja) * | 2003-06-27 | 2005-02-10 | Sumitomo Pharmaceut Co Ltd | 機能性核酸配列設計方法 |
JP2005309877A (ja) * | 2004-04-22 | 2005-11-04 | National Institute Of Advanced Industrial & Technology | 機能性生体分子の配列解析方法 |
JP2006236151A (ja) * | 2005-02-25 | 2006-09-07 | Dainippon Sumitomo Pharma Co Ltd | 機能性生体分子設計方法 |
-
2005
- 2005-02-25 JP JP2005052064A patent/JP4791737B2/ja not_active Expired - Fee Related
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3648109A4 (en) * | 2017-06-30 | 2020-06-24 | Nec Corporation | PREDICTION DEVICE, PREDICTION METHOD, INFORMATION MEDIUM STORED WITH PREDICTION PROGRAM, AND GENETIC INFERENCE DEVICE |
US11557372B2 (en) | 2017-06-30 | 2023-01-17 | Nec Corporation | Prediction device, gene estimation device, prediction method, and non-transitory recording medium |
Also Published As
Publication number | Publication date |
---|---|
JP2006236153A (ja) | 2006-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wen et al. | DeepMirTar: a deep-learning approach for predicting human miRNA targets | |
Rabani et al. | Computational prediction of RNA structural motifs involved in posttranscriptional regulatory processes | |
Sætrom | Predicting the efficacy of short oligonucleotides in antisense and RNAi experiments with boosted genetic programming | |
Reeder et al. | Design, implementation and evaluation of a practical pseudoknot folding algorithm based on thermodynamics | |
Do et al. | A max-margin model for efficient simultaneous alignment and folding of RNA sequences | |
Rorbach et al. | Distinguishing mirtrons from canonical miRNAs with data exploration and machine learning methods | |
Ying et al. | sTarPicker: a method for efficient prediction of bacterial sRNA targets based on a two-step model for hybridization | |
US11769073B2 (en) | Methods and systems for producing an expanded training set for machine learning using biological sequences | |
Ding et al. | miRFam: an effective automatic miRNA classification method based on n-grams and a multiclass SVM | |
Morgado et al. | Computational tools for plant small RNA detection and categorization | |
Cui et al. | miRLocator: machine learning-based prediction of mature microRNAs within plant pre-miRNA sequences | |
JP4791737B2 (ja) | 機能性核酸配列解析方法 | |
Aghaeepour et al. | Ensemble-based prediction of RNA secondary structures | |
Chen et al. | FlexStem: improving predictions of RNA secondary structures with pseudoknots by reducing the search space | |
Wang et al. | A steganalysis-based approach to comprehensive identification and characterization of functional regulatory elements | |
Middleton et al. | NoFold: RNA structure clustering without folding or alignment | |
Rabani et al. | Computational prediction of RNA structural motifs involved in post-transcriptional regulatory processes | |
JP4873486B2 (ja) | 核酸配列の二次構造を予測する方法、核酸配列の二次構造の予測装置及び核酸配列の二次構造の予測プログラム | |
de Campos Merschmann et al. | An extended local hierarchical classifier for prediction of protein and gene functions | |
Ülker | Adaptation of harmony search algorithm for DNA fragment assembly problem | |
Morgado et al. | Learning sequence patterns of AGO-sRNA affinity from high-throughput sequencing libraries to improve in silico functional small RNA detection and classification in plants | |
Won et al. | Modeling promoter grammars with evolving hidden Markov models | |
Plass et al. | Approaches to link RNA secondary structures with splicing regulation | |
JP2005038377A (ja) | 機能性核酸配列設計方法 | |
Djordjevic et al. | Scoring targets of transcription in bacteria rather than focusing on individual binding sites |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20080225 |
|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20081125 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20101112 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20110110 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20110204 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20110705 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20110722 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140729 Year of fee payment: 3 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
LAPS | Cancellation because of no payment of annual fees |