Analýza obohacení drah asistovaná strojovým učením
Analýza obohacení drah asistovaná strojovým učením integruje klasické statistické metody obohacení drah — jako je analýza nadměrné reprezentace (ORA) nebo analýza obohacení genových sad (GSEA) — s algoritmy strojového učení s cílem zlepšit citlivost, zpracovat vysokodimenzionální omická data a odhalit nelineární biologické vzorce. Tento přístup překračuje pouhé řazení drah podle p-hodnoty a využívá modely strojového učení k vážení příspěvků genů, rozlišení signálu od šumu napříč mnoha vzorky a k prioritizaci biologicky významných drah ve složitých datových souborech.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Mapa metod
Okolí příbuzných metod — vyberte uzel, který chcete prozkoumat.
Zdroje
- Chen, E. Y., Tan, C. M., Kou, Y., Duan, Q., Wang, Z., Meirelles, G. V., Clark, N. R., & Ma'ayan, A. (2013). Enrichr: interactive and collaborative HTML5 gene list enrichment analysis tool. BMC Bioinformatics, 14, 128. link ↗
- Way, G. P., & Greene, C. S. (2018). Extracting a biologically relevant latent space from cancer transcriptomes with variational autoencoders. Pacific Symposium on Biocomputing, 23, 80–91. link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Machine Learning-Assisted Pathway Enrichment Analysis. ScholarGate. https://scholargate.app/cs/bioinformatics/machine-learning-assisted-pathway-enrichment-analysis
Která metoda?
Postavte tuto metodu vedle jejích nejbližších příbuzných a čtěte je vedle sebe — knihovna položí knihy na stůl; volba je na vás.
- Analýza obohacení genových sad (GSEA)Bioinformatika↔ porovnat
- Random ForestStrojové učení↔ porovnat
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →