ScholarGate
Assistent
Process / pipelineBioinformatics / omics

Masinõppimisega abistatud koopiaarvukuse variatsiooni analüüs

Masinõppimisega abistatud CNV analüüs rakendab järelevalve-, järelevalveta või süvaõppe algoritme, et tuvastada genoomi piirkondi, mis on duplitseeritud või kustutatud võrreldes referentsgenoomiga. Selle asemel, et tugineda fikseeritud statistilistele lävenditele, õpivad ML-mudelid eristavaid mustreid lugemissügavuse signaalidest, alleelfraktsioonidest ja muudest tunnustest, parandades oluliselt tundlikkust ja spetsiifilisust võrreldes klassikaliste tööriistadega – eriti mürarikkas või madala katvusega järjestusandmetes.

Ava rakenduses MethodMindPeagiVideoPeagiLaadi slaidid alla

Loe meetodi täielikku kirjeldust

Ainult liikmetele

Selle osa lugemiseks logi sisse tasuta kontoga.

Logi sisse

Meetodikaart

Seotud meetodite ümbruskond — vali sõlm, et seda uurida.

Allikad

  1. Aganezov, S., Goodwin, S., Sherman, R. M., Sedlazeck, F. J., Mehta, G., Rushbrook, S., ... & Schatz, M. C. (2020). Comprehensive analysis of structural variants in breast cancer genomes using single-molecule sequencing. Genome Research, 30(9), 1258-1273. link
  2. Zare, F., Dow, M., Monteleone, N., Bhatt, A., & Bhatt, D. L. (2017). An evaluation of copy number variation detection tools for cancer using whole exome sequencing data. BMC Bioinformatics, 18(1), 286. link

Kuidas sellele lehele viidata

ScholarGate. (2026, June 3). Machine Learning-Assisted Copy Number Variation Analysis. ScholarGate. https://scholargate.app/et/bioinformatics/machine-learning-assisted-copy-number-variation-analysis

Milline meetod?

Aseta see meetod oma lähimate sugulaste kõrvale ja loe neid kõrvuti — raamatukogu laob raamatud lauale; valik on sinu.

Võrdle kõrvuti
ScholarGateMachine learning-assisted copy number variation analysis (Machine Learning-Assisted Copy Number Variation Analysis). Loetud 2026-06-15 aadressilt https://scholargate.app/et/bioinformatics/machine-learning-assisted-copy-number-variation-analysis · Andmestik: https://doi.org/10.5281/zenodo.20539026