SUPPLEMENTARY MATERIAL: VisuNet: an interactive tool for rule network visualization of rule-based learning models

Karolina Smolinska Garbulowska - Uppsala universitet, Institutionen för cell- och molekylärbiologi, Beräkningsbiologi och bioinformatik

Mateusz Garbulowski - Uppsala universitet, Institutionen för cell- och molekylärbiologi, Beräkningsbiologi och bioinformatik

Klev Diamanti - Uppsala universitet, Institutionen för cell- och molekylärbiologi, Beräkningsbiologi och bioinformatik, Institutionen för immunologi, genetik och patologi

Xavier Davoy - The Grenoble Institute of Technology– Phelma

Stephen Omondi Otieno Anyango - Uppsala universitet, Institutionen för cell- och molekylärbiologi, Beräkningsbiologi och bioinformatik

Fredrik Barrenäs - Uppsala universitet, Institutionen för cell- och molekylärbiologi, Beräkningsbiologi och bioinformatik

Susanne Bornelöv - Uppsala universitet / University of Cambridge, Institutionen för medicinsk biokemi och mikrobiologi, Institutionen för cell- och molekylärbiologi / Cancer Research UK Cambridge Institute

Jan Komorowski - Uppsala universitet, Kollegiet för avancerade studier (SCAS), Institutionen för cell- och molekylärbiologi, Beräkningsbiologi och bioinformatik

Visa mindre..

The data consists of a pdf file with visualizations and an excel file with following tables:

- Table S1 The overview of applications.

- Table S2 SFARI result for 4 genes overlapped the rule-network of case-control study of autism and the SFARI genes databese.

- Table S3 GO over-representation results for the rule-network of case-control study of autism.

- Table S4 Full list of variables used for the rule-based machine learning schema. The list includesmetabolites and pools of metabolites.

- Table S5 List of rules for the R.ROSETTA model including support, accuracy and BH-corrected p-value for each rule.

Datasetet har ursprungligen publicerats i DiVA och flyttades över till SND 2024. Visa mindre..