Integrating microRNA target predictions for the discovery of gene regulatory networks: a semi-supervised ensemble learning approach

Pio, Gianvito; Malerba, Donato; D'Elia, Domenica; Ceci, Michelangelo

doi:10.1186/1471-2105-15-S1-S4

Table 4 Quality of biclusters obtained by HOCCLUS2.

From: Integrating microRNA target predictions for the discovery of gene regulatory networks: a semi-supervised ensemble learning approach

α	β	$\underset{(mRNA / miRNA)}{N}$	level 1				max level					best level
			#cc	p _MF	p _BP	μ _q	lev	#cc	p _MF	p _BP	μ _q	lev	#cc	p _MF	p _BP	μ _q
Predictions - SA-3B
0.1							9	56	0.000	0.000	0.12	2	350	0.000	0.000	0.41
0.2	0.3	5698/612	700	1.000	1.000	0.49	7	183	0.000	0.000	0.24	3	210	0.000	0.000	0.31
0.3							5	355	1.000	1.000	0.36	1	700	1.000	1.000	0.49
0.1							8	41	0.411	0.331	0.11	3	155	0.004	0.009	0.32
0.2	0.4	4735/607	619	1.000	1.000	0.52	7	144	0.006	0.001	0.24	7	144	0.006	0.001	0.24
0.3							6	274	1.000	1.000	0.35	1	619	1.000	1.000	0.52
0.1							8	34	0.284	0.273	0.12	4	77	0.345	0.167	0.27
0.2	0.5	3337/572	599	1.000	1.000	0.58	7	101	0.315	0.146	0.23	5	108	0.257	0.112	0.26
0.3							6	202	1.000	0.221	0.34	5	205	1.000	0.206	0.35
Predictions - WSA-3B
0.1							9	57	0.023	0.005	0.11	2	379	0.000	0.000	0.41
0.2	0.3	6209/618	758	1.000	1.000	0.50	7	194	0.016	0.004	0.25	3	221	0.001	0.000	0.31
0.3							6	374	1.000	1.000	0.36	1	758	1.000	1.000	0.50
0.1							7	42	0.434	0.206	0.11	4	58	0.094	0.016	0.21
0.2	0.4	5122/601	667	1.000	1.000	0.54	6	145	0.096	0.004	0.24	5	148	0.053	0.004	0.25
0.3							5	273	1.000	1.000	0.34	1	667	1.000	1.000	0.54
0.1							8	35	0.311	0.346	0.12	3	156	0.151	0.263	0.37
0.2	0.5	3653/570	622	1.000	1.000	0.60	7	105	0.221	1.000	0.24	3	168	0.123	0.298	0.38
0.3							6	205	0.374	1.000	0.36	2	314	0.256	1.000	0.50
Predictions - SA
0.2	0.3	8723/599	294	0.140	0.080	0.43	7	58	0.262	0.253	0.22	1	294	0.140	0.080	0.43
0.3							5	182	0.328	0.176	0.38	1	294	0.140	0.080	0.43
0.2	0.4	7772/620	1608	1.000	1.000	0.50	9	216	0.001	0.006	0.22	3	416	0.008	0.000	0.33
0.3							7	604	0.000	0.000	0.34	2	830	0.000	0.000	0.42
0.2	0.5	4336/627	1038	1.000	1.000	0.58	9	96	0.399	0.364	0.22	4	148	0.286	0.261	0.31
0.3							7	283	1.000	1.000	0.35	2	522	1.000	0.228	0.47
Predictions - Our Approach
0.1							8	40	0.013	0.020	0.11	2	444	0.000	0.000	0.52
0.2	0.3	2379/614	888	1.000	1.000	0.69	7	143	0.000	0.000	0.24	2	444	0.000	0.000	0.52
0.3							6	268	0.002	0.001	0.37	3	309	0.000	0.000	0.42
0.1							8	25	0.175	0.080	0.12	3	148	0.000	0.000	0.39
0.2	0.4	1626/544	591	0.404	1.000	0.77	7	84	0.015	0.001	0.24	3	152	0.000	0.000	0.39
0.3							6	161	0.001	0.377	0.38	2	298	0.000	0.001	0.57
0.1							8	16	0.079	0.053	0.12	3	105	0.000	0.000	0.43
0.2	0.5	1245/467	417	0.361	0.244	0.83	7	53	0.000	0.000	0.24	3	105	0.000	0.000	0.43
0.3							7	104	0.000	0.000	0.39	4	110	0.000	0.000	0.42

$N$ represents the number of biclustered mRNAs and miRNAs. #cc is the number of biclusters. lev represents the level number. The "best" level is the level with the lowest $\frac{p_{M F} + p_{B P}}{2}$ value.

Back to article page

ISSN: 1471-2105

Contact us

General enquiries: journalsubmissions@springernature.com

BMC Bioinformatics

Contact us