Analýza diferenciální genové exprese RNA-seq s asistencí strojového učení
Analýza diferenciální genové exprese RNA-seq s asistencí strojového učení rozšiřuje klasické statistické testování DE (DESeq2, edgeR, limma-voom) o modely strojového učení – včetně neuronových sítí, náhodných lesů a variačních autoenkodérů – aby lépe zvládaly vysokou dimenzionalitu, nulovou inflaci a efektové složky (batch effects) inherentní v datech počtů RNA-seq. Tento přístup zlepšuje výběr příznaků, redukci šumu a detekční sílu, zejména u velkých nebo komplexních experimentálních návrhů.
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. 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Machine Learning-Assisted RNA-seq Differential Expression Analysis. ScholarGate. https://scholargate.app/cs/bioinformatics/machine-learning-assisted-rna-seq-differential-expression
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.
- Analýza obohacení genových sad (GSEA)Bioinformatika↔ compare
- Analýza obohacení drahBioinformatika↔ compare
- Random ForestStrojové učení↔ compare
- Analýza diferenciální exprese RNA-seqBioinformatika↔ compare
- Analýza jednobuněčné RNA-seqBioinformatika↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →