全 文 ：生命科学
Chinese Bulletin of Life Sciences
第 19卷 第 5期
2007年 10月
Vol. 19, No. 5
Oct., 2007
microRNA靶基因预测算法研究概况及发展趋势
茹松伟1,2，申卫红1，杨鹏程2，赵　屹2*，邵启祥1*
（1江苏大学医学技术学院，镇江 212013； 2中国科学院计算技术研究所，北京 100080）
摘　要：microRNA(miRNA)是一类约 22个核苷酸(nt)长的非编码小分子RNA，广泛存在于动植物细胞
中，通过和靶基因的不精确互补配对而裂解mRNA或抑制翻译的起始。准确地预测miRNA靶基因和正
确地认识miRNA及其靶基因的作用机理已成为当前研究的热点。作者试图对目前常用的 10余个高等生
物miRNA靶基因预测软件的实现原理、适用对象及各算法的创新之处等加以综述，以便为进行靶基因
预测算法设计人员提供参考，对生物学实验验证提供更好的理论指导。
关键词：microR NA s；靶基因预测；生物信息学；R N A 干扰
中图分类号：Q522; Q811.4　　文献标识码：A
MicroRNA target prediction algorithm:present and future
RU Songwei1,2, SHEN Weihong1, YANG Pengcheng2, ZHAO Yi2*, SHAO Qixiang1*
(1 Medical Technology College, Jiangsu University, Zhenjiang 212013, China;
2 Institute of Computing Technology, Chinese Academy of Sciences, Beijing 100080, China)
Abstract: MicroRNAs(miRNAs) are a new class of 22nt long small noncoding RNA species in plants and animals,
which cleavage the mRNA or repress the initiation of the mRNA translation by partially base pairing with the
targets in animals. Predicting the targets of miRNAs and investigating the interaction between miRNAs and the
corresponding targets are becoming the study focus. Here, we reviewed the principles, creativities and applica-
tion ranges of the 10 leading miRNA target prediction algorithms including miRanda, PicTar and so on, in order
to assist the biologist and other miRNA researchers.
Key words: microRNAs; microRNA target prediction; bioinformatics; RNA interfering
收稿日期：2007-06-11；修回日期：2007-07-10
基金项目：国家自然科学基金项目(30671984；30471627；30300169)；江苏省自然科学基金资助项目(Bk2004405)
作者简介：茹松伟(1980—)，男，硕士研究生；赵　屹(1973—)，男，助理研究员，*通讯作者，E-mail: biozy@ict.
ac.cn; 邵启祥(1965—)，男，教授，博士生导师，*通讯作者，E-mail: shao_qx@ujs.ac.cn; shao_qx@yahoo.com.cn
文章编号 ：1004-0374(2007)05-0562-06
microRNA(miRNA)是一类约22nt长的非编码小
分子 RNA，由长约 70nt可形成发夹结构的前体经
dicer酶剪切而来。通过和信使 RNA(mRNA)3端非
翻译区(UTR)不精确互补配对而裂解mRNA或抑制
翻译起始，对细胞分化、增殖、凋亡、致癌、抑
癌、胰岛素等内分泌激素的分泌和胆固醇代谢等诸
多生物过程进行调节[1-5]。
认识miRNA的作用机制，关键是认识miRNA
及其靶基因的相互作用。第一个miRNA及其靶基因
于1993年通过经典遗传学方法鉴定，然而直到2001
年才相继有其他miRNA的报道[6-10]。尽管缺乏敏感
的miRNA克隆方法和鉴定miRNA靶基因的高通量实
验方法，但人们在研究过程中发现，miRNA和靶
基因的相互作用具有一定的规律性，可以允许编程
来对其预测[11]，因此，在随后的几年中，miRNA
靶基因预测软件迅速兴起并发展，从2003年第一个
靶基因预测软件miRanda到现在，短短的 4年间，
已涌现出 10 余个靶基因预测软件(表 1)。本文以
563第5期 茹松伟，等：microRNA靶基因预测算法研究概况及发展趋势
PicTar为界，对其前出现的miRNA靶基因预测软件
(第一代靶基因预测软件)及其后出现的靶基因预测软
件(第二代靶基因预测软件)分别从其设计原理、适
应范围、各算法的创新之处等方面加以综述。
miRNA靶位点通常分为三类[7] (图 1) ：(1) 5端
主导型；(2)5端“种子”主导型；(3)3端互补型
(图 1)。“种子”是指从miRNA序列 5端第 1个或
第 2个核苷酸起向3末端延伸的连续7个核苷酸。5
端主导型指miRNA种子序列和3端一些连续的碱基
与靶基因完全互补；5端“种子”主导型指miRNA
种子序列和 3 端有限的一些碱基和靶基因完全互
补；3端互补型指miRNA序列 3端碱基和靶基因
发生不完全互补配对，同时有个别配对向种子区延
伸。第一代预测软件大多都是从种子互补这一规则
出发设计算法的，其次是miRNA靶基因跨物种间保
守性；而第二代预测软件更倾向于机器学习方法训
练参数进行靶基因预测。
1　第一代靶基因预测软件
1.1　miRanda　miRanda是 Enright等[12]于 2003年 5
月开发的第一个miRNA靶基因预测软件。miRanda
适用范围广泛(表 1)，不受物种限制，同时提供了
Windows、Linux和Macintosh多平台版本，可以
下载到本地运行。碱基互补方面，miRanda算法和
Smith-Waterman算法[13]相似，但它以碱基互补(如
A=U, G≡ C等)代替 Smith-Waterman算法中的碱基
匹配(如A-A,U-U等) 来构建打分矩阵，允许G=U错
配，为了体现miRNA 3端和 5端与靶基因作用过
程中的不对称性，软件给出了 scale参数(5端 11个
碱基得分值乘以该值，然后和3端11个碱基得分值
相加作为碱基互补得分)。同时强调miRNA第 2到
4位碱基和靶基因精确互补，第 3到 12位碱基和靶
基因错配不得多于 5个，9到L-5(L为miRNA总长)
位碱基至少一个错配，最后 5个碱基错配不得多于
2个。在热力学方面，miRanda利用维也纳软件包
中的RNA二级结构程序包RNAlib (Vienna 1.3 RNA
secondary structure programming library)评估miRNA-
靶基因二聚体的结合能，对于潜在的杂交位点，
miRanda也给予打分。靶位点的跨物种保守性，要
求靶位点在多物种 3UTR比对中相同位置碱基相
同。对于多个miRNA对应于同一靶位点的情况，
表1　高等生物miRNA靶基因预测软件
软件 适用范围 网址 本地运行 参考文献
miRanda 脊椎动物 http://www.microrna.org/ 是 [12]
DIANA-microT 所有哺乳动物 http://www.diana.pcbi.upenn.edu/ 否 [14]
RNAhybrid 所有哺乳动物 http://bibiserv.techfak.uni-bielefeld.de/rnahybrid/ 是 [15]
TargetScan 脊椎动物 http://www.targetscan.org/ 是 [16-17]
MicroInspector 所有哺乳动物 http://mirna.imbb.forth.gr/microinspector/ 否 [18]
PicTar 所有哺乳动物 http://pictar.bio.nyu.edu/ 否 [19]
TargetBoost 线虫和果蝇 https://demo1.interagon.com/targetboost/ 否 [20]
miTarget 所有哺乳动物 http://cbit.snu.ac.kr/~miTarget/ 否 [22]
RNA22 所有哺乳动物 http://cbcsrv.watson.ibm.com/rna22.html 是 [23]
microTar 线虫、果蝇和小鼠 http://tiger.dbs.nus.edu.sg/microtar/ 是　 [27]
图1　miRNA靶位点分类示意图
注：从左到右依次为实验证实的 5 端主导型；5 端“种子”主导型；3 端互补型靶位点
564 生命科学 第19卷
miRanda使用贪心算法取得分最高且自由能最低的
那对。
miRanda网站(http://cbio.mskcc.org/mirna-
viewer/)提供有人、果蝇、斑马鱼的靶基因预测结
果，也提供了miRanda软件的下载链接(表 1)，需
要注意的是不同平台，不同版本miRanda默认参数
有所不同。
1.2　DIANA-microT　DIANA-microT是Kiriakidou等[14]
基于实验和计算生物学方法开发的miRNA靶基因预
测软件。miRanda预测结果中可能出现一个miRNA
对应多个靶位点或多个miRNA对应一个靶位点而丢
掉了miRNA调控单个靶位点不同的是，DIANA-
micr oT考虑了 mi RN A 调控单个靶位点的情况。
D IA N A- mi c r o T 预测算法基于以下两点来判别
miRNA靶基因：(1)miRNA和靶基因间的高亲和
力，主要通过结合能来衡量；(2)影响miRNA和靶
基因所形成二聚体茎环结构环部位置和环大小的
miRNA相关蛋白可能指导miRNA和靶基因的相互作
用。对于前者，DIANA-microT用动态规划算法计
算经典的Watson-Crick碱基配对及G-U错配的自由
能，开一个 38nt的窗口扫描mRNA序列，通过计
算miRNA和靶基因的自由能来寻找靶位点。对于后
者都主要是通过实验的方法验证过滤前者预测的结
果。
1.3　RNAhybrid　RNAhybrid是 Rehmsmeier等[15]基
于miRNA和靶基因二聚体二级结构开发的miRNA靶
基因预测软件。RNAhybrid预测算法禁止分子内、
miRNA分子间及靶基因间形成二聚体，根据miRNA
和靶基因间结合能探测最佳的靶位点。尽管随着靶
基因序列长度增加，运算复杂度也相应增加，但
RNAhybrid和其他 RNA 二级结构预测软件诸如
mfold、RNAfold、RNAcofold和 pairfold相比，仍
具有明显的速度优势。此外，RNAhybrid允许用户
自定义自由能阈值及 P值，也允许用户设置杂交位
点的偏向，如杂交位点必须包含miRNA 5端 2－
7nt等。像miRanda一样，RNAhybrid也提供有单
机版供下载(表 1)。
由于RNAhybrid实质上是经典RNA二级结构预
测软件的扩展，从miRNA和靶基因形成稳定的二聚
体这一视角入手，为miRNA靶基因预测开辟了新的
天地。但 Rehmsmeier通过用 RNAhybrid扫描果蝇
3UTR发现，RNAhybrid仅能预测到少数的miRNA
靶基因，这个可能与 mi R N A 长度较短，而所用
3UTR数据集较大有关，然而由于它不需要考虑靶
基因的物种保守性，仍然有自己的优势。
1.4　TargetScan和TargetScans　TargetScan是Lewis
等[16]于 2003年基于靶基因跨物种保守和miRNA-靶
基因二聚体热力学特征开发的哺乳类动物靶基因预
测软件。TargetScan首次引入假阳性率来评价靶基
因预测结果。TargetScan要求，miRNA种子序列
(第 2到第8位核苷酸)和mRNA 3UTR完全互补，同
时从种子序列向两翼延伸，直至遇到不能配对的碱
基，此过程允许 G-U配对。用信噪比来评价预测
结果，信噪比定义如下：用原始miRNA及随机产
生(保持二核苷酸组成不变)的miRNA分别对目标
UTR作预测，所预测得到的靶基因数目的比值。
该软件的输入要求是2个以上物种UTR比对后
的序列作为输入，由于其要求种子序列完全互补，
随着物种数目的增多，预测结果数据集减少，但和
实验证实的靶基因集合吻合率相应增高。Target-
Scans[17]是 TargetScan的改进版，该算法中，在人、
大鼠、小鼠基础上，增加了狗、鸡基因组数据，
同时对种子序列修订为 6nt(第 2到第 7位核苷酸)，
要求种子完全互补的情况下，miRNA第8位碱基(m8)
和靶基因互补或者miRNA第 1位碱基是腺嘌呤。
1.5　MicroInspector　MicroInspector是Rusinov等[18]
于2005年开发的在线靶基因位点预测工具。它允许
用户输入完整的mRNA序列或序列片段，从不同的
数据库(包括植物、线虫、病毒、节肢动物、脊
椎动物)中选择miRNA，同时允许自定义miRNA和
靶基因二聚体杂交温度和自由能等参数，对于不熟
悉命令操作的用户是很好的选择。针对用户输入的
mRNA序列，MicroInspector开两个 6nt的窗口，用
所选择数据库中的miRNA对其过滤，其第一个窗口
代表 5端miRNA 的第 1到 6位碱基，第二个窗口
代表第 2到 7个碱基，要求 6个碱基中有 5个完全
互补或 4个完全互补外加一个G:U配对。如果两个
条件都不满足，窗口继续以 1nt为单位前移，直至
满足两条件其一，然后提取以miRNA 5端为终点的
mRNA上32nt序列，用维也纳软件包中的RNAlib进
行miRNA靶基因二聚体热力学分析。
2　第二代靶基因预测软件
2.1　PicTar　PicTar是Krek等[19]兼顾了第一代众多
软件的设计思想并采用 RNAhybrid评估 miRNA
和靶基因二聚体结合能(对于脊椎动物 s 参数选
3UTR_human, 对于线虫 s参数选 3UTR_worm, 其他
565第5期 茹松伟，等：microRNA靶基因预测算法研究概况及发展趋势
参数用默认值)来实现miRNA靶基因预测。该算法
同样强调“种子序列”(从miRNA 5端 1－ 7nt或 2
－8nt)在靶位点识别及在转录后调控中的关键作用，
强调miRNA和靶基因二聚体结合能在靶基因翻译抑
制中的关键作用。所不同的是 PicTar把种子序列分
为“完全匹配的种子序列”和“不完全匹配的种
子序列”，前者要求种子序列完全和靶基因互补配
对；后者在满足miRNA靶基因二聚体结合能要求的
前提下允许种子序列出现错配，但不允许 G-U配
对。PicTar亦结合以前实验数据对两类种子序列对
应的miRNA和靶基因二聚体结合能进行了限制，要
求“完全匹配种子序列”的miRNA靶基因二聚体
结合能小于成熟体miRNA和靶基因最优结合能的
33%；对于“不完全匹配种子序列”的miRNA靶
基因结合能要求小于其成熟体miRNA和靶基因最优
结合能的 66%，很好地降低了假阳性率。PicTar首
先用 nuclMAP预测UTR序列上潜在的miRNA靶位
点，然后预测其是否落在多物种序列比对后的保守
的序列位点(锚位点)上，符合此条件后，再检测其
miRNA和靶基因二聚体是否符合结合能标准。
2.2　TargetBoost　TargetBoost是 SaeTrom等[20]基于
G P b o o s t (一种遗传算法) [ 2 1 ]机器学习方法，从
miRNA及其靶基因相互作用特征提炼出加权的模序
作为参数，对于不同的miRNA进行分类，然后返
回不同miRNA和靶基因相互作用的概率作为靶基因
的打分。TargetBoost再次证实了miRNA 5端(即
“种子序列”)和靶基因的互补特征，与此前的预
测算法相比较，能找到更多的真正的靶基因。
TargetBoost预测算法没有使用诸如 3UTR靶位点跨
物种保守等条件来过滤靶基因，因为这些条件完全
独立于其“分类”的预测方法，因此提高提炼特
征参数数据集的质量就可大幅提高预测准确率。
2.3　miTarget　miTarget是Kim等[22]通过支持向量机
(一种机器学习方法)，基于径向基核函数对miRNA
和靶基因的二聚体结构、热力学特征及miRNA和靶
基因作用的碱基位置等参数进行分类，实现的
miRNA靶基因预测软件。要求靶基因跨多个物种具
有保守性，对miRNA 5端加权来降低预测结果的
假阳性率，利用动态规划程序对结果打分，打分比
较高的预测往往准确性也相应的高，但结果受到了
靶基因保守数据集的限制，这是传统预测软件的特
征；而支持向量机运用的关键在于选择好的数据集
及提炼特异性高的参数，不需要考虑靶基因的跨物
种保守性，因而为靶基因预测开辟了一条新路。
2.4　RNA22　RNA22是Miranda等[23]于2006年开发
的miRNA靶基因预测软件，该软件以 Rfam 3.0[24]
中成熟的miRNAs为训练集，利用 Teiresias算法[25]
从中寻找可变长度的模序，然后训练一二阶马可夫
模型对模序进行统计显著性过滤，并对用 3UTR序
列对过滤后模序筛选：凡是 3UTR序列包含模序反
向互补序列或者反向互补序列和已知miRNA序列相
同的均被筛除。最后用“靶位点岛”(模序反向互
补序列在靶基因上的富集区)来预测靶基因被哪个
miRNA调控。RNA22预测算法同样不依赖于物种间
保守性，而是依赖于噪音的回弹，首次从感兴趣的
序列入手，寻找假定的miRNA结合位点，然后确
定其被哪个miRNA所调控。该预测算法也对以前人
们的认识提出了挑战，诸如miRNA种子序列允许和
靶基因作用过程中出现G-U配对，靶基因可能存在
于除 3UTR的其他区域等。其中提出的miRNA靶
位点可能存在于 5UTR已被实验证实[26]。此外该算
法也可用于预测miRNA前体。
2.5　microTar　microTar是 Thadani等[27]开发的
miRNA靶基因预测软件，该软件同样从miRNA和
靶基因的互补和miRNA 靶基因二聚体热力学稳定性
设计算法，和以往此类软件不同的是，microTarget
首先计算mRNA分子内部自由能，然后计算miRNA
和靶基因二聚体自由能，如后者小于前者，且符合
miRNA种子序列(miRNA 5端 1－ 7nt或 2－ 8nt)和
靶基因互补，然后通过极值分布对miRNA靶基因二
聚体统计性分析，从而预测 m i R N A 靶基因。
microTar同样也不要求靶基因跨物种保守。
3　靶基因预测算法比较分析
为了比较分析各预测算法的预测结果，我们从
miRGen数据库[28]下载了DIANA-microT、PicTar-
4way(考虑靶基因在人、小鼠、大鼠、狗四物种间
保守)、PicTar-5way(考虑靶基因在人、小鼠、大
鼠、狗、鸡五物种间保守)、TargetScanS、miRanda
及 RNA22预测结果(表 2)。我们发现，第一代预测
软件 D IAN A-mi c roT 预测的靶基因数较少，而
miRanda预测的靶基因数目较多，这和DIANA-microT
通过实验步骤过滤预测结果有关。第二代预测软件
PicTar、TargetScanS预测的靶基因数目相对减少，
但其灵敏度有所提升[7]，而RNA22由于采用了不同
的预测机制，所得靶基因数目也较多。同时我们也
注意到各版本的相同预测算法结果也在不断变化，
566 生命科学 第19卷
如PicTar 2005版 4way预测每个microRNA约325个
靶基因，而 2006版每个microRNA靶基因数目增长
到约 430个，2005版 5way预测每个microRNA约
131个靶基因，而 2006版靶基因数目增长到约 185
个(图 2)，各预测算法随着实验支持的增多也在不
断地改善其性能。
4　总结及展望
近几年来，关于miRNA的研究已成为生命科学
领域的一个焦点，miRBase数据库(http://microrna.
sanger.ac.uk/sequences/)已更新了 22个版本，所收
表2　预测算法预测结果统计
预测算法 microRNA数目 对应靶基因数目
DIANA-microT 178 1 312
PicTar(4way) 178 6 785
picTar(5way) 130 2 534
TargetScanS 238 6 360
RNA22 313 21 656
miRanda 470 22 491
集的miRNA已由V1.0版的218个增加到V9.2版4 584
个(图 3)，而实验验证的miRNA只有 128个(http://
www.diana.pcbi.upenn.edu/tarbase.html)，期间生物
信息学发挥了的重要的作用。我们对目前主流的 10
个动物miRNA靶基因预测软件实现原理进行了综
述，同时也注明了其适用范围、获得方式等。对
于miRNA靶基因预测软件我们不难发现，第一代
miRNA靶基因预测软件主要侧重以下三点：(1) 种
子序列和靶基因良好的互补性；(2)靶基因非翻译区
图3　miRBase数据库收录microRNA数目增长趋势
图2　PicTar各版本预测人类microRNA靶基因数目统计
横轴代表microRNA名称，纵轴代表各microRNA对应的靶基因数目。左上：PicTar 4way(2005版)预测结果， TPM=325；
右上：PicTar 5way(2005版)预测结果，TPM=131;左下：PicTar 4way(2006版)预测结果，TPM=430；右下：PicTar 5way
(2006版)预测结果，TPM=185。注：TPM表示平均每个microRNA调控的靶基因数
567第5期 茹松伟，等：microRNA靶基因预测算法研究概况及发展趋势
的跨物种保守性；(3)miRNA靶基因二聚体热力学稳
定性。而第二代预测软件在第一代预测软件的基础
上大多从“突破物种间保守”来设计，如miTarget
和microTar等引入了机器学习方法来提取特征参
数，尝试从统计的角度更好地反应miRNA 和靶基
因相互作用的真实过程，以弥补保守性这个限制而
丢失了的靶基因，取得了一定程度的成功。新近，
G ai da tz is 等[29]报道利用贝叶斯后验概率法预测
miRNA靶基因也取得了很好的性能。
值得我们注意的是，目前的miRNA靶基因预
测软件往往对于已知的miRNA靶基因有着很高的预
测特异性和敏感度，对于未知的靶基因预测各预测
软件之间交集很小，假阳性率也较高[30]。预测软件
的进一步发展需要实验技术的发展，随着实验验证
的miRNA靶基因增多，miRNA和靶基因作用机制
的逐渐阐明，预测算法引入更能反应miRNA和靶基
因作用的参数，如进化特征等，预测算法的发展进
一步也推动实验室实验，使生物学家更有针对性锁
定感兴趣的 mi RN A 靶基因对其研究，最终阐明
miRNA相关的生命调控网络。
[参　考　文　献]
[1] Bartel D P. MicroRNAs: genomics, biogenesis, mechanism,
and function. Cell, 2004, 116: 281-297
[2] Ambros V. The functions of animal microRNAs. Nature,
2004, 431: 350-355
[3] Du T, Zamore P D. MicroPrimer: the biogenesis and func-
tion of microRNA. Development, 2005, 132: 4645-4652
[4] Krutzfeldt J, Rajewsky N, Braich R, et al. Silencing of
microRNAs in vivo with ‘antagomirs’. Nature, 2005, 438:
685-689
[5] Zhang B, Pan X, Cobb G P, et al. MicroRNAs as oncogenes
and tumor suppressors. Dev Biol, 2007, 302: 1-12
[6] Lagos-Quintana M, Rauhut R, Lendeckel W, et al. Identifi-
cation of novel genes coding for small expressed RNAs.
Science, 2001, 294: 853-858
[7] Sethupathy P, Megraw M, Hatzigeorgiou A G. A guide
through present computational approaches for the identifi-
cation of mammalian microRNA targets. Nat Methods, 2006,
3: 881-886
[8] Mourelatos Z, Dostie J, Paushkin S, et al. MiRNPs: a novel
class of ribonucleoproteins containing numerous microRNAs.
Genes Dev, 2002, 16: 720-728
[9] Lee R C, Ambros V. An extensive class of small RNAs in
Caenorhabditis elegans. Science, 2001, 294: 862-864
[10] Lau N C, Lim L P, Weinstein E G, et al. An abundant class of
tiny RNAs with probable regulatory roles in Caenorhabditis
elegans. Science, 2001, 294: 858-862
[11] Brennecke J, Stark A, Russell R B, et al. Principles of
microRNA-target recognition. PLoS Biol, 2005, 3: e85
[12] Enright A J, John B, Gaul U, et al. MicroRNA targets in
Drosophila. Genome Biol, 2003, 5: R1
[13] Smith T F, Waterman M S. Identification of common mo-
lecular subsequences. J Mol Biol, 1981, 147: 195-197
[14] Kiriakidou M, Nelson P T, Kouranov A, et al. A combined
computational-experimental approach predicts human
microRNA targets. Genes Dev, 2004, 18: 1165-1178
[15] Rehmsmeier M., Steffen P, Hochsmann M, et al. Fast and
effective prediction of microRNA/target duplexes. RNA,
2004, 10: 1507-1517
[16] Lewis B P, Shih I H, Jones-Rhoades M W, et al. Prediction
of mammalian microRNA targets. Cell, 2003, 115: 787-798
[17] Lewis B P, Burge C B, Bartel D P. Conserved seed pairing,
often flanked by adenosines, indicates that thousands of
human genes are microRNA targets. Cell, 2005,120: 15-20
[18] Rusinov V, Baev V, Minkov I N, et al. MicroInspector: a
web tool for detection of miRNA binding sites in an RNA
sequence. Nucleic Acids Res, 2005, 33: W696-W700
[19] Krek A, Grun D, Poy M N, et al. Combinatorial microRNA
target predictions. Nat Genet, 2005, 37: 495-500
[20] Saetrom O, Ola Snove J, Saetrom P. Weighted sequence
motifs as an improved seeding step in microRNA target
prediction algorithms.RNA, 2005, 11: 995-1003
[21] Saetrom P. Predicting the efficacy of short oligonucleotides
in antisense and RNAi experiments with boosted genetic
programming. Bioinformatics, 2004, 20: 3055-3063
[22] Kim S K, Nam J W, Rhee J K, et al. MiTarget: microRNA
target gene prediction using a support vector machine. BMC
Bioinform, 2006, 7: 411
[23] Miranda K C, Huynh T, Tay Y, et al. A pattern-based method
for the identification of microRNA binding sites and their
corresponding heteroduplexes. Cell, 2006, 126: 1203-1217
[24] Griffiths-Jones S, Bateman A, Marshall M, et al. Rfam: an
RNA family database. Nucleic Acids Res, 2003, 31: 439-
441
[25] Rigoutsos I, Floratos A. Combinatorial pattern discovery in
biological sequences: The TEIRESIAS algorithm.
Bioinformatics, 1998, 14: 55-67
[26] Lytle J R, Yario T A, Steitz J A. Target mRNAs are re-
pressed as efficiently by microRNA-binding sites in the
5’UTR as in the 3UTR. Proc Natl Acad Sci USA, 2007, 104:
9667-9672
[27] Thadani R, Tammi M T. MicroTar: predicting microRNA
targets from RNA duplexes. BMC Bioinform, 2006, 7 Suppl
5: S20
[28] Megraw M, Sethupathy P, Corda B, et al. MiRGen: a data-
base for the study of animal microRNA genomic organiza-
tion and function. Nucleic Acids Res, 2007, 35: D149-D155
[29] Gaidatzis D, van Nimwegen E, Hausser J, et al. Inference of
miRNA targets using evolutionary conservation and path-
way analysis. BMC Bioinform, 2007, 8: 69
[30] Xu X. Same computational analysis, different miRNA tar-
get predictions. Nat Methods, 2007, 4: 191