Bayesovská analýza jednobuněčné RNA-seq — Pravděpodobnostní transkriptomika
Bayesovská analýza jednobuněčné RNA-seq aplikuje pravděpodobnostní generativní modely na řídké, nadměrně rozptýlené matice počtů generované sekvenováním RNA jedné buňky. Umístěním apriorních distribucí nad latentní biologické proměnné — stav buňky, efekty šarží, výpadky — rámec propaguje nejistotu skrze každý navazující krok inference. Nástroje jako scVI, SCVI-tools a BayesPrism implementují tento paradigmat, umožňující principální shlukování buněk, testování diferenciální exprese a integraci šarží, které explicitně modelují technický šum spíše než aby jej ignorovaly.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Bayesian Probabilistic Analysis of Single-Cell RNA Sequencing Data. ScholarGate. https://scholargate.app/cs/bioinformatics/bayesian-single-cell-rna-seq-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.
- Latent Dirichlet Allocation (LDA)Strojové učení↔ compare
- Negativně binomická regreseEkonometrie↔ compare
- Variační autoenkodérHluboké učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →