Advancing machine learning analysis of non-coding RNA: A novel approach of negative sequence generation

Abstract

Many supervised machine learning models have been developed for the classification and identification of non-coding RNA (ncRNA) sequences. These models play a significant role in the diagnosis and treatment of various diseases. During such analyses, positive learning datasets typically consist of known ncRNA examples, some of which may even be confirmed with strong experimental evidence. However, there is no database of validated negative sequences for ncRNA classes or standardized methodologies for generating high quality negative samples. To overcome this challenge, a new method for generating negative data called the NeRNA (Negative RNA) method has been developed in this study. NeRNA generates negative sequences using known ncRNA sequences and their octal representations, similar with frame shift mutations found in biology but without base deletions or insertions. In this thesis, the NeRNA method was tested separately with four different ncRNA datasets, including microRNA (miRNA), transfer RNA (tRNA), long non-coding RNA (lncRNA), and circular RNA (circRNA). Additionally, a species-specific case study was conducted to demonstrate and compare the performance of the study's miRNA predictions. The results of 1000-fold cross-validation on machine learning algorithms such as Decision Trees, Naive Bayes, Random Forest classifiers, and deep learning algorithms like Multilayer Perceptrons, Convolutional Neural Networks, and Simple Feedforward Neural Networks showed that models developed using datasets generated by NeRNA exhibited significantly high prediction performance. NeRNA has been published as an easy-to-use, updatable, and modifiable KNIME workflow, along with example datasets and required extensions that can be downloaded and utilized. NeRNA is designed specifically as a powerful tool for RNA sequence data analysis.

Kodlanmayan RNA (ncRNA) dizilerinin sınıflandırılması tanımlanması için birçok denetimli makine öğrenimi modelleri geliştirilmiştir. Bu modeller birçok hastalığın tanı ve tedavisinde önemli rol oynamaktadır. Bu tür analizler sırasında, pozitif öğrenme veri kümeleri genellikle bilinen ncRNA örneklerinden oluşur ve hatta bazıları güçlü deneysel verilerle doğrulanmış olabilir. Buna karşılık, ncRNA sınıfları için doğrulanmış negatif dizileri içeren bir veri tabanı veya yüksek kaliteli negatif örnek oluşturmayı sağlayan standart metodolojiler bulunmamaktadır. Bu zorluğun üstesinden gelebilmek için, bu çalışmada yeni bir negatif veri oluşturma yöntemi olan NeRNA (negatif RNA) yöntemi geliştirilmiştir. NeRNA, bilinen ncRNA dizilerini ve sekizli gösterim yapılarını kullanılarak negatif diziler oluşturur, bu oluşturma biyoloji de bulunan çerçeve kayması mutasyonlarına benzer bir şekilde ancak baz silme veya ekleme olmadan gerçekleşir. Bu tez kapsamında, mikroRNA (miRNA), transfer RNA (tRNA), uzun kodlamayan RNA (lncRNA) ve dairesel RNA (circRNA) dahil olmak üzere dört farklı ncRNA veri kümesi ile ayrı ayrı test edilmiştir. Ayrıca, çalışmanın miRNA tahminleri üzerinde performansını göstermek ve karşılaştırmak için türe özgü bir vaka analizi gerçekleştirilmiştir. Çalışma boyunca kullanılan Karar Ağacı, Naieve Bayes, Rastgele Orman sınıflandırıcıları gibi makine öğrenimi algoritmaları ve Çok Katmanlı Algılayıcı, Evrişimli Sinir Ağı ve Basit İleri Beslemeli Sinir Ağları gibi derin öğrenme algoritmaları üzerinde yapılan 1000 kat çapraz doğrulama sonuçları, NeRNA tarafından oluşturulan veri kümeleri kullanılarak elde edilen modellerin önemli ölçüde yüksek tahmin performansı sağladığını göstermektedir. NeRNA, örnek veri kümeleri ve gerekli uzantılarla birlikte indirilebilen, kullanımı kolay, güncellenebilir ve değiştirilebilir bir KNIME iş akışı olarak yayınlanmaktadır. NeRNA, özellikle RNA dizisi veri analizi için güçlü bir araç olarak tasarlanmıştır.