ScholarGate
Avustaja
Process / pipelineBioinformatics / omics

Koneoppimista hyödyntävä kopiolukuvaihtelun (CNV) analyysi

Koneoppimista hyödyntävä CNV-analyysi soveltaa ohjattuja, ohjaamattomia tai syväoppimisalgoritmeja tunnistamaan genomialueita, jotka ovat monistuneet tai deleetioituneet suhteessa referenssigenomiin. Sen sijaan, että luotettaisiin kiinteisiin tilastollisiin kynnysarvoihin, koneoppimismallit oppivat erottavia kuvioita lukusyvyyssignaaleista, alleelifrekvensseistä ja muista piirteistä, parantaen merkittävästi herkkyyttä ja spesifisyyttä verrattuna klassisiin työkaluihin – erityisesti kohinaisessa tai vähäisen peiton sekvensointidatassa.

Avaa sovelluksessa MethodMindTulossaVideoTulossaLataa diat

Lue koko menetelmä

Vain jäsenille

Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.

Kirjaudu sisään

Menetelmäkartta

Lähimenetelmien naapurusto — valitse solmu tutkiaksesi.

Lähteet

  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

Näin viittaat tähän sivuun

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

Mikä menetelmä?

Aseta tämä menetelmä lähimpien sukulaistensa rinnalle ja lue niitä yhdessä — kirjasto asettaa teokset pöydälle; valinta on sinun.

Vertaa rinnakkain
ScholarGateMachine learning-assisted copy number variation analysis (Machine Learning-Assisted Copy Number Variation Analysis). Haettu 2026-06-15 osoitteesta https://scholargate.app/fi/bioinformatics/machine-learning-assisted-copy-number-variation-analysis · Aineisto: https://doi.org/10.5281/zenodo.20539026