Deciphering microRNA (miRNA) targets is important for understanding the function of miRNAs as well as miRNA-based diagnostics and therapeutics. Given the highly cell-specific nature of miRNA regulation, recent computational approaches typically exploit expression data to identify the most physiologically relevant target messenger RNAs (mRNAs). Although effective, those methods usually require a large sample size to infer miRNA–mRNA interactions, thus limiting their applications in personalized medicine. In this study, we developed a novel miRNA target prediction algorithm called miRACLe (miRNA Analysis by a Contact modeL). It integrates sequence characteristics and RNA expression profiles into a random contact model, and determines the target preferences by relative probability of effective contacts in an individual-specific manner. Evaluation by a variety of measures shows that fitting TargetScan, a frequently used prediction tool, into the framework of miRACLe can improve its predictive power with a significant margin and consistently outperform other state-of-the-art methods in prediction accuracy, regulatory potential and biological relevance. Notably, the superiority of miRACLe is robust to various biological contexts, types of expression data and validation datasets, and the computation process is fast and efficient. Additionally, we show that the model can be readily applied to other sequence-based algorithms to improve their predictive power, such as DIANA-microT-CDS, miRanda-mirSVR and MirTarget4. MiRACLe is publicly available at https://github.com/PANWANG2014/miRACLe.

中文翻译：

---

MiRACLe：一种基于随机接触模型改进 microRNA 目标预测的个体特异性方法

破译 microRNA (miRNA) 目标对于理解 miRNA 的功能以及基于 miRNA 的诊断和治疗非常重要。鉴于 miRNA 调控的高度细胞特异性性质，最近的计算方法通常利用表达数据来识别最生理相关的目标信使 RNA (mRNA)。虽然有效，但这些方法通常需要大样本量来推断 miRNA-mRNA 相互作用，从而限制了它们在个性化医疗中的应用。在这项研究中，我们开发了一种称为 miRACLe（通过接触模式进行的 miRNA 分析）的新型 miRNA 靶标预测算法。它将序列特征和 RNA 表达谱整合到一个随机接触模型中，并以个体特定的方式通过有效接触的相对概率来确定目标偏好。各种衡量指标的评估表明，将常用的预测工具 TargetScan 安装到 miRACLe 框架中可以显着提高其预测能力，并且在预测准确性、监管潜力和监管潜力方面始终优于其他最先进的方法。生物学相关性。值得注意的是，miRACLe 的优越性对各种生物环境、表达数据类型和验证数据集都具有鲁棒性，并且计算过程快速高效。此外，我们表明该模型可以很容易地应用于其他基于序列的算法以提高其预测能力，例如 DIANA-microT-CDS、miRanda-mirSVR 和 MirTarget4。MiRACLe 可在 https://github.com/PANWANG2014/miRACLe 上公开获得。进入 miRACLe 的框架可以显着提高其预测能力，并且在预测准确性、监管潜力和生物学相关性方面始终优于其他最先进的方法。值得注意的是，miRACLe 的优越性对各种生物环境、表达数据类型和验证数据集都具有鲁棒性，并且计算过程快速高效。此外，我们表明该模型可以很容易地应用于其他基于序列的算法以提高其预测能力，例如 DIANA-microT-CDS、miRanda-mirSVR 和 MirTarget4。MiRACLe 可在 https://github.com/PANWANG2014/miRACLe 上公开获得。进入 miRACLe 的框架可以显着提高其预测能力，并且在预测准确性、监管潜力和生物学相关性方面始终优于其他最先进的方法。值得注意的是，miRACLe 的优越性对各种生物环境、表达数据类型和验证数据集都具有鲁棒性，并且计算过程快速高效。此外，我们表明该模型可以很容易地应用于其他基于序列的算法以提高其预测能力，例如 DIANA-microT-CDS、miRanda-mirSVR 和 MirTarget4。MiRACLe 可在 https://github.com/PANWANG2014/miRACLe 上公开获得。监管潜力和生物学相关性。值得注意的是，miRACLe 的优越性对各种生物环境、表达数据类型和验证数据集都具有鲁棒性，并且计算过程快速高效。此外，我们表明该模型可以很容易地应用于其他基于序列的算法以提高其预测能力，例如 DIANA-microT-CDS、miRanda-mirSVR 和 MirTarget4。MiRACLe 可在 https://github.com/PANWANG2014/miRACLe 上公开获得。监管潜力和生物学相关性。值得注意的是，miRACLe 的优越性对各种生物环境、表达数据类型和验证数据集都具有鲁棒性，并且计算过程快速高效。此外，我们表明该模型可以很容易地应用于其他基于序列的算法以提高其预测能力，例如 DIANA-microT-CDS、miRanda-mirSVR 和 MirTarget4。MiRACLe 可在 https://github.com/PANWANG2014/miRACLe 上公开获得。