Machine learning-assisted RNA-seq differential expression
Machine learning-assisted RNA-seq differential expression analysis augments classical statistical DE testing (DESeq2, edgeR, limma-voom) with ML models — including neural networks, random forests, and variational autoencoders — to better handle the high dimensionality, zero-inflation, and batch effects inherent in RNA-seq count data. The approach improves feature selection, noise reduction, and detection power, especially in large or complex experimental designs.
Quellendatensatz
Zitate wörtlich aus dem Quellendatensatz der Methode übernommen. Daraus wird keine Überprüfung auf Claim-Ebene abgeleitet.
- 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. · URL
- 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. · URL
Kuratiert Claims
Claims im Evidenz-Ledger gespeichert, jeder mit seiner eigenen Bewertung.
Diese Ansicht erfindet keine Claim-Bewertung, wenn das Ledger keine hat.
Verwandte Methoden
Generiert aus dem Methoden-Graphen und als maschinell vorgeschlagene Beziehungen angezeigt – es wird kein Evidenz-Claim abgeleitet.