تحلیل بیزی RNA-seq تکسلولی — رونویسی احتمالی
تحلیل بیزی RNA-seq تکسلولی، مدلهای مولد احتمالی را بر روی ماتریسهای شمارش پراکنده و بیشپراکنش تولید شده توسط توالییابی RNA تکسلولی اعمال میکند. با قرار دادن توزیعهای پیشین بر روی متغیرهای زیستی نهفته — حالت سلولی، اثرات دستهای، حذف — این چارچوب عدم قطعیت را در هر مرحله استنتاج پاییندستی منتشر میکند. ابزارهایی مانند scVI، SCVI-tools و BayesPrism این پارادایم را پیادهسازی میکنند و امکان خوشهبندی سلولی اصولی، آزمون بیان افتراقی و ادغام دستهای را فراهم میکنند که به جای نادیده گرفتن نویز فنی، آن را به طور صریح مدلسازی میکنند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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. DOI: 10.1038/s41592-018-0229-2 ↗
- 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. DOI: 10.1038/s41467-018-07931-2 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Bayesian Probabilistic Analysis of Single-Cell RNA Sequencing Data. ScholarGate. https://scholargate.app/fa/bioinformatics/bayesian-single-cell-rna-seq-analysis
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Latent Dirichlet Allocation (LDA)یادگیری ماشین↔ compare
- رگرسیون دوجملهای منفیاقتصادسنجی↔ compare
- Variational Autoencoderیادگیری عمیق↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →