Koneoppimista hyödyntävä reittien rikastumisanalyysi
Koneoppimista hyödyntävä reittien rikastumisanalyysi yhdistää klassiset tilastolliset reittien rikastumismenetelmät – kuten yliedustus-analyysin (over-representation analysis, ORA) tai geenijoukkojen rikastumisanalyysin (gene set enrichment analysis, GSEA) – koneoppimisalgoritmeihin herkkyyden parantamiseksi, korkeaulotteisen omics-datan käsittelemiseksi ja epälineaaristen biologisten mallien paljastamiseksi. Lähestymistapa ylittää pelkän p-arvon perusteella tapahtuvan reittien rankkaamisen käyttämällä koneoppimismalleja geenien kontribuutioiden painottamiseen, signaalin erottamiseen kohinasta monien näytteiden välillä ja biologisten merkityksellisten reittien priorisointiin monimutkaisissa aineistoissa.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Menetelmäkartta
Lähimenetelmien naapurusto — valitse solmu tutkiaksesi.
Lähteet
- Chen, E. Y., Tan, C. M., Kou, Y., Duan, Q., Wang, Z., Meirelles, G. V., Clark, N. R., & Ma'ayan, A. (2013). Enrichr: interactive and collaborative HTML5 gene list enrichment analysis tool. BMC Bioinformatics, 14, 128. link ↗
- Way, G. P., & Greene, C. S. (2018). Extracting a biologically relevant latent space from cancer transcriptomes with variational autoencoders. Pacific Symposium on Biocomputing, 23, 80–91. link ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Machine Learning-Assisted Pathway Enrichment Analysis. ScholarGate. https://scholargate.app/fi/bioinformatics/machine-learning-assisted-pathway-enrichment-analysis
Mikä menetelmä?
Aseta tämä menetelmä lähimpien sukulaistensa rinnalle ja lue niitä yhdessä — kirjasto asettaa teokset pöydälle; valinta on sinun.
- Geenien joukon rikastumisanalyysi (GSEA)Bioinformatiikka↔ vertaa
- Random ForestKoneoppiminen↔ vertaa
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →