ScholarGate
Assistent
Process / pipelineBioinformatics / omics

Masinõppepõhine GWAS — ML-GWAS

Masinõppepõhine GWAS (ML-GWAS) integreerib klassikalise genoomiülese assotsiatsiooni testimise masinõppemudelitega, et parandada keeruliste tunnustega seotud geneetiliste variantide tuvastamist. Kui traditsiooniline GWAS testib iga üksikut nukleotiidpolümorfismi (SNP) iseseisvalt, kasutades lineaarset või logistilist regressiooni, siis ML-GWAS hõlmab mittelineaarseid interaktsioone ja epistaasiat, järjestades kandidaatlokuseid täpsemalt ning vähendades valepositiivsete leidude koormust suurtes biopanga andmestikes. See lähenemine on muutunud üha olulisemaks, kuna valimi suurused ja genoomi keerukus ületavad tavapäraste üksik-SNP testide eeldusi.

Ava rakenduses MethodMindPeagiApply, compare, get guidance
Tools & resources
Laadi slaidid alla
Learn & explore
VideoPeagi

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. Beam, A. L., & Kohane, I. S. (2018). Big data and machine learning in health care. JAMA, 319(13), 1317-1318. link
  2. Szymanski, M., Holland-Letz, T., & Kneib, T. (2022). Machine learning approaches to GWAS: methods, pitfalls, and applications. Briefings in Bioinformatics, 23(3), bbac068. link

Kuidas sellele lehele viidata

ScholarGate. (2026, June 3). Machine Learning-Assisted Genome-Wide Association Study. ScholarGate. https://scholargate.app/et/bioinformatics/machine-learning-assisted-genome-wide-association-study

Milline meetod?

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

Võrdle kõrvuti

Sellele viitavad

ScholarGateMachine learning-assisted genome-wide association study (Machine Learning-Assisted Genome-Wide Association Study). Loetud 2026-06-15 aadressilt https://scholargate.app/et/bioinformatics/machine-learning-assisted-genome-wide-association-study · Andmestik: https://doi.org/10.5281/zenodo.20539026