Masinõppe abil juhitav RNA-seq diferentsiaalavaldise analüüs
Masinõppe abil juhitav RNA-seq diferentsiaalavaldise analüüs täiendab klassikalisi statistilisi diferentsiaalavaldise testimise meetodeid (DESeq2, edgeR, limma-voom) masinõppe mudelitega – sealhulgas närvivõrkude, juhuslike metsade ja varieeruvate automaatkooderitega –, et paremini käsitleda RNA-seq loendusandmetele omast suurt mõõdetavust, null-inflatsiooni ja partii-efekte. Lähenemisviis parandab funktsioonide valikut, müra vähendamist ja tuvastusvõimsust, eriti suurte või keerukate eksperimentaalsete kujunduste korral.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Meetodikaart
Seotud meetodite ümbruskond — vali sõlm, et seda uurida.
Allikad
- 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 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Machine Learning-Assisted RNA-seq Differential Expression Analysis. ScholarGate. https://scholargate.app/et/bioinformatics/machine-learning-assisted-rna-seq-differential-expression
Milline meetod?
Aseta see meetod oma lähimate sugulaste kõrvale ja loe neid kõrvuti — raamatukogu laob raamatud lauale; valik on sinu.
- Genikogude rikastumise analüüs (GSEA)Bioinformaatika↔ võrdle
- Teede rikastumise analüüsBioinformaatika↔ võrdle
- Juhuslik metsMasinõpe↔ võrdle
- RNA-seq diferentsiaalne ekspressioonBioinformaatika↔ võrdle
- Üherakulise RNA sekveneerimise analüüsBioinformaatika↔ võrdle
Sellele viitavad
Märkasid sellel lehel viga? Teata sellest või paku parandust →