Анализ на диференциална експресия на РНК-сек с помощта на машинно обучение
Анализът на диференциална експресия на РНК-сек с помощта на машинно обучение (МО) допълва класическото статистическо тестване за диференциална експресия (DESeq2, edgeR, limma-voom) с модели на МО — включително невронни мрежи, случайни гори и вариационни автоенкодери — за по-добро справяне с високата размерност, нулевата инфлация и ефектите на партидата, присъщи на данните от РНК-сек броене. Подходът подобрява избора на признаци, намаляването на шума и мощността на детекция, особено при големи или сложни експериментални дизайни.
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. link ↗
- 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. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Machine Learning-Assisted RNA-seq Differential Expression Analysis. ScholarGate. https://scholargate.app/bg/bioinformatics/machine-learning-assisted-rna-seq-differential-expression
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.
- Анализ на обогатяване на генни набори (GSEA)Биоинформатика↔ сравняване
- Анализ на обогатяване на пътищаБиоинформатика↔ сравняване
- Случайна гораМашинно обучение↔ сравняване
- RNA-seq анализ на диференциална експресияБиоинформатика↔ сравняване
- Анализ на едноклетъчна РНК секвенция (scRNA-seq)Биоинформатика↔ сравняване
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →