Maskinlæringsassisteret "Pathway Enrichment"-analyse
Maskinlæringsassisteret "pathway enrichment"-analyse integrerer klassiske statistiske "pathway enrichment"-metoder – såsom "over-representation analysis" eller "gene set enrichment analysis" – med maskinlæringsalgoritmer for at forbedre sensitivitet, håndtere højdimensionelle omics-data og afdække ikke-lineære biologiske mønstre. Tilgangen går ud over at rangordne "pathways" udelukkende efter p-værdi ved at bruge ML-modeller til at vægte genbidrag, skelne signal fra støj på tværs af mange prøver og prioritere biologisk meningsfulde "pathways" i komplekse datasæt.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Metodekort
Nabolaget af beslægtede metoder — vælg en knude for at udforske.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Machine Learning-Assisted Pathway Enrichment Analysis. ScholarGate. https://scholargate.app/da/bioinformatics/machine-learning-assisted-pathway-enrichment-analysis
Hvilken metode?
Stil denne metode ved siden af dens nærmeste slægtninge, og læs dem side om side — biblioteket lægger bøgerne på bordet; valget er dit.
- Gen-sætsanrigelsesanalyse (GSEA)Bioinformatik↔ sammenlign
- Random ForestMaskinlæring↔ sammenlign
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →