Maskinlæringsassisteret analyse af enkeltcelle-RNA-sekventering
Maskinlæringsassisteret analyse af enkeltcelle-RNA-sekventering (scRNA-seq) integrerer superviserede, usuperviserede og dybe generative modeller i den standard scRNA-seq-arbejdsgang for at håndtere de unikke udfordringer ved enkeltcelledata: ekstrem sparsomhed, høj dimensionalitet, teknisk støj og batch-effekter på tværs af eksperimenter. Metoder som variationelle autoenkodere (scVI), grafneurale netværk og transfer learning forbedrer markant celle-type-identifikation, trajektorieinferens og integration af data på tværs af studier sammenlignet med rent statistiske tilgange.
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 ↗
- Luecken, M. D., & Theis, F. J. (2019). Current best practices in single-cell RNA-seq analysis: a tutorial. Molecular Systems Biology, 15(6), e8746. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Machine Learning-Assisted Single-Cell RNA Sequencing Analysis. ScholarGate. https://scholargate.app/da/bioinformatics/machine-learning-assisted-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.
- Gen-sætsanrigelsesanalyse (GSEA)Bioinformatik↔ compare
- Maskinlæringsassisteret RNA-seq-analyse af differentiel ekspressionBioinformatik↔ compare
- Pathway Enrichment AnalysisBioinformatik↔ compare
- RNA-seq Differential ExpressionBioinformatik↔ compare
- Single-cell RNA-seq AnalyseBioinformatik↔ compare
- Analyse af differentiel ekspression i enkeltcelle-RNA-seqBioinformatik↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →