Maschinelles Lernen-gestützte Gen-Set-Anreicherungsanalyse

Maschinelles Lernen-gestützte Gen-Set-Anreicherungsanalyse (ML-GSEA) erweitert den klassischen GSEA-Rahmen durch die Einbeziehung von überwachten oder unüberwachten ML-Modellen – wie Random Forests, neuronalen Netzen oder Deep-Learning-Architekturen –, um die Erkennung, Rangfolge und biologische Interpretation angereicherter Gen-Sets aus Hochdurchsatz-Expressionsdaten zu verbessern. Der Ansatz ist besonders wertvoll für komplexe, nichtlineare Gen-Set-Beziehungen, die klassische Anreicherungsstatistiken möglicherweise übersehen.