ScholarGate
Асистент
Process / pipelineBioinformatics / omics

Геномни асоциативни анализи, подпомогнати от машинно обучение — ML-GWAS

ML-GWAS интегрира класическо геномно асоциативно тестване с модели на машинно обучение за подобряване на откриването на генетични варианти, свързани със сложни признаци. Докато традиционните GWAS тестват всеки еднонуклеотиден полиморфизъм (SNP) независимо чрез линейна или логистична регресия, ML-GWAS улавя нелинейни взаимодействия и епистаза, класира кандидат-локусите по-точно и намалява тежестта на фалшивите открития в големи бази данни от биобанки. Подходът става все по-значим, тъй като размерът на извадките и геномната сложност надхвърлят допусканията на конвенционалните тестове за единични SNP.

Отворете в MethodMindСкороApply, compare, get guidance
Tools & resources
Изтегляне на слайдове
Learn & explore
ВидеоСкоро

Прочетете целия метод

Само за членове

Влезте с безплатен профил, за да прочетете този раздел.

Вход

Карта на методите

Обкръжението на сродните методи — изберете възел, за да го разгледате.

Източници

  1. Beam, A. L., & Kohane, I. S. (2018). Big data and machine learning in health care. JAMA, 319(13), 1317-1318. link
  2. Szymanski, M., Holland-Letz, T., & Kneib, T. (2022). Machine learning approaches to GWAS: methods, pitfalls, and applications. Briefings in Bioinformatics, 23(3), bbac068. link

Как да цитирате тази страница

ScholarGate. (2026, June 3). Machine Learning-Assisted Genome-Wide Association Study. ScholarGate. https://scholargate.app/bg/bioinformatics/machine-learning-assisted-genome-wide-association-study

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.

Сравняване едно до друго

Цитиран в

ScholarGateMachine learning-assisted genome-wide association study (Machine Learning-Assisted Genome-Wide Association Study). Извлечено на 2026-06-17 от https://scholargate.app/bg/bioinformatics/machine-learning-assisted-genome-wide-association-study · Набор от данни: https://doi.org/10.5281/zenodo.20539026