Maskinlæringsassisteret RNA-seq-analyse af differentiel ekspression
Maskinlæringsassisteret RNA-seq-analyse af differentiel ekspression supplerer klassisk statistisk DE-test (DESeq2, edgeR, limma-voom) med ML-modeller — herunder neurale netværk, random forests og variationelle autoencoders — for bedre at håndtere den høje dimensionalitet, nul-inflation og batch-effekter, der er iboende i RNA-seq-tælledata. Tilgangen forbedrer feature-selektion, støjreduktion og detektionskraft, især i store eller komplekse eksperimentelle designs.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Machine Learning-Assisted RNA-seq Differential Expression Analysis. ScholarGate. https://scholargate.app/da/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.
- Gen-sætsanrigelsesanalyse (GSEA)Bioinformatik↔ compare
- Pathway Enrichment AnalysisBioinformatik↔ compare
- Random ForestMaskinlæring↔ compare
- RNA-seq Differential ExpressionBioinformatik↔ compare
- Single-cell RNA-seq AnalyseBioinformatik↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →