Process / pipelineBioinformatics / omics

Anàlisi eQTL assistida per aprenentatge automàtic — Mapeig de loci de trets quantitatius d'expressió basat en ML

L'anàlisi eQTL assistida per aprenentatge automàtic integra models d'aprenentatge supervisat — que van des de la regressió elastic-net fins a les xarxes neuronals profundes — en el marc clàssic d'eQTL per predir i mapejar variants genètiques que regulen l'expressió gènica. Mitjançant l'entrenament de models predictius en panells de referència (per exemple, GTEx), l'enfocament permet la imputació de l'expressió gènica en cohorts que no tenen dades d'ARN, augmentant substancialment la potència estadística i permetent la generalització trans-teixit.

Obre a MethodMindAviatVídeoAviatDownload slides

Llegeix el mètode complet

Només per a membres

Inicia la sessió amb un compte gratuït per llegir aquesta secció.

Inicia la sessió

Method map

The neighbourhood of related methods — select a node to explore.

Fonts

  1. Gamazon, E. R., Wheeler, H. E., Shah, K. P., Mozaffari, S. V., Aquino-Michaels, K., Carroll, R. J., ... & Im, H. K. (2015). A gene-based association method for mapping traits using reference transcriptome data. Nature Genetics, 47(9), 1091-1098. link
  2. Zhou, J., & Troyanskaya, O. G. (2015). Predicting effects of noncoding variants with deep learning-based sequence model. Nature Methods, 12(10), 931-934. link

Com citar aquesta pàgina

ScholarGate. (2026, June 3). Machine Learning-Assisted Expression Quantitative Trait Loci Analysis. ScholarGate. https://scholargate.app/ca/bioinformatics/machine-learning-assisted-eqtl-analysis

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side
ScholarGateMachine learning-assisted expression quantitative trait loci analysis (Machine Learning-Assisted Expression Quantitative Trait Loci Analysis). Recuperat el 2026-06-15 de https://scholargate.app/ca/bioinformatics/machine-learning-assisted-eqtl-analysis · Conjunt de dades: https://doi.org/10.5281/zenodo.20539026