Koneoppimista hyödyntävä RNA-seq-differentiaaliekspressioanalyysi
Koneoppimista hyödyntävä RNA-seq-differentiaaliekspressioanalyysi täydentää klassisia tilastollisia DE-testejä (DESeq2, edgeR, limma-voom) koneoppimismalleilla — mukaan lukien neuroverkot, satunnaismetsät ja variaatioautomaattikooderit — käsitelläkseen paremmin RNA-seq-lukumäärädatan luontaista korkeaa ulottuvuutta, nollainflaatiota ja erätehosteita. Lähestymistapa parantaa piirteiden valintaa, kohinan vähennystä ja havaitsemistehoa, erityisesti suurissa tai monimutkaisissa koeasetelmissa.
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. 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Machine Learning-Assisted RNA-seq Differential Expression Analysis. ScholarGate. https://scholargate.app/fi/bioinformatics/machine-learning-assisted-rna-seq-differential-expression
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.
- Geenien joukon rikastumisanalyysi (GSEA)Bioinformatiikka↔ compare
- PolkurikastusanalyysiBioinformatiikka↔ compare
- Random ForestKoneoppiminen↔ compare
- RNA-seq-differentiaaliekspressioanalyysiBioinformatiikka↔ compare
- Yksittäisen solun RNA-sekvensointi -analyysiBioinformatiikka↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →