Bayesiläinen yksittäissolu-RNA-seq-analyysi — Probabilistinen transkriptomiikka
Bayesiläinen yksittäissolu-RNA-seq-analyysi soveltaa probabilistisia generatiivisia malleja yksittäissolu-RNA-sekvensoinnin tuottamiin harvoihin, ylihajontaisiin lukumatriiseihin. Asettamalla priorijakaumat piileville biologisille muuttujille — solutila, erätehosteet, dropout — kehys propagoi epävarmuutta jokaisen jatkoanalyysin vaiheen läpi. Työkalut kuten scVI, SCVI-tools ja BayesPrism toteuttavat tämän paradigman, mahdollistaen periaatteellisen solujen klusteroinnin, differentiaalisen ilmentymisen testauksen ja eräintegraation, jotka mallintavat eksplisiittisesti teknistä kohinaa sen sijaan, että jättäisivät sen huomiotta.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Bayesian Probabilistic Analysis of Single-Cell RNA Sequencing Data. ScholarGate. https://scholargate.app/fi/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)Koneoppiminen↔ compare
- Negatiivinen binomiregressioEkonometria↔ compare
- Variational AutoencoderSyväoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →