Байесовски анализ на едноклетъчна РНК-секвенция — вероятностна транскриптомика
Байесовският анализ на едноклетъчна РНК-секвенция прилага вероятностни генеративни модели към разредените, свръхдисперсни матрици от броя, получени от едноклетъчна РНК-секвенция. Чрез поставяне на предварителни разпределения върху латентни биологични променливи — клетъчно състояние, партидни ефекти, пропускане — рамката разпространява несигурността през всяка последваща стъпка на извод. Инструменти като scVI, SCVI-tools и BayesPrism прилагат тази парадигма, позволявайки принципиално клетъчно клъстериране, тестване за диференциална експресия и партидна интеграция, които изрично моделират техническия шум, вместо да го игнорират.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Карта на методите
Обкръжението на сродните методи — изберете възел, за да го разгледате.
Източници
- Lopez, R., Regier, J., Cole, M. B., Jordan, M. I., & Yosef, N. (2018). Deep generative modeling for single-cell transcriptomics. Nature Methods, 15(12), 1053-1058. DOI: 10.1038/s41592-018-0229-2 ↗
- Eraslan, G., Simon, L. M., Mircea, M., Mueller, N. S., & Theis, F. J. (2019). Single-cell RNA-seq denoising using a deep count autoencoder. Nature Communications, 10(1), 390. DOI: 10.1038/s41467-018-07931-2 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Bayesian Probabilistic Analysis of Single-Cell RNA Sequencing Data. ScholarGate. https://scholargate.app/bg/bioinformatics/bayesian-single-cell-rna-seq-analysis
Кой метод?
Поставете този метод до най-близките му сродни методи и ги четете едно до друго — библиотеката полага книгите на масата; изборът е ваш.
- Латентна разпределение на Дирихле (LDA)Машинно обучение↔ сравняване
- Негативно-биномна регресияИконометрия↔ сравняване
- Вариационен автоенкодерДълбоко обучение↔ сравняване
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →