Análisis de Expresión Diferencial de RNA-seq Asistido por Aprendizaje Automático
El análisis de expresión diferencial de RNA-seq asistido por aprendizaje automático (ML) complementa las pruebas estadísticas clásicas de DE (DESeq2, edgeR, limma-voom) con modelos de ML —incluyendo redes neuronales, bosques aleatorios y autoencoders variacionales— para manejar mejor la alta dimensionalidad, la inflación de ceros y los efectos de lote inherentes a los datos de recuento de RNA-seq. El enfoque mejora la selección de características, la reducción de ruido y el poder de detección, especialmente en diseños experimentales grandes o complejos.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Mapa de métodos
El vecindario de métodos relacionados: selecciona un nodo para explorarlo.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Machine Learning-Assisted RNA-seq Differential Expression Analysis. ScholarGate. https://scholargate.app/es/bioinformatics/machine-learning-assisted-rna-seq-differential-expression
¿Qué método?
Coloca este método junto a sus parientes más cercanos y léelos lado a lado: la biblioteca pone los libros sobre la mesa; la elección es tuya.
- Análisis de Enriquecimiento de Conjuntos de Genes (GSEA)Bioinformática↔ comparar
- Análisis de Enriquecimiento de VíasBioinformática↔ comparar
- Random ForestAprendizaje automático↔ comparar
- Expresión Diferencial de RNA-seqBioinformática↔ comparar
- Análisis de scRNA-seqBioinformática↔ comparar
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →