MikroRNA'lar (miRNA'lar), transkripsiyon sonrası gen ekspresyonu düzenleyicileridir. Bir miRNA yüzlerce haberci RNA'yı (mRNA'lar) hedefleyebildiği gibi, bir mRNA farklı miRNA'lar tarafından hedeflenebilir, üstelik tek bir miRNA bir mRNA sekansında çeşitli bağlanma bölgelerine sahip olabilir. Bu nedenle miRNA'ları deneysel olarak araştırmak oldukça karmaşıktır. Bu tür zorlukları aşabilmek için makine öğrenimi (ML) sıklıkla kullanılmaktadır. ML analizinin temel kısımları büyük ölçüde giriş verilerinin kalitesine ve verileri tanımlayan özelliklerin kapasitesine bağlıdır. Daha önce miRNA'lar için 1000'den fazla özellik önerilmişti. Bu projede, RNA ikincil yapısını temsil eden yeni özellikler ve yüksek doğruluk değerleri sağlayan, dinamik, çok boyutlu grafik gösterimini tanımlamayı hedeflemiştik. Bu çalışmada, ML tabanlı miRNA tahmini için yeni ve kolayca güncellenebilir bir yaklaşım geliştirilmiştir. Bilinen insan miRNA'larının ve sözde saç tokalarının random forest (RF), support vector machine (SVM) ve multilayer perceptron (MLP) gibi çeşitli sınıflandırıcılarla sınıflandırılmasıyla binlerce model oluşturulmuştur. Yöntem insan verilerine dayanarak oluşturulmuş olsa da en iyi model miRBase ve MirGeneDB gibi kamu veri tabanlarından insan olmayan saç tokaları üzerinde test edilmiş ve yüksek skorlar üretilmiştir. Ayrıca, yöntemin farklı veriler üzerindeki etkinliğini göstermek için ekspresyon farkları tahmini (differential expression prediction) analizinde de kullanılmıştır. Bu aşamada SARS-CoV-2 enfeksiyonunun etkisini ölçen bir veri setinin analizinden elde edilen sonuçlar yayınlanmıştır.