Analyse bayésienne de l'ARN messager de cellule unique par séquençage — Transcriptomique probabiliste
L'analyse bayésienne de l'ARN messager de cellule unique par séquençage applique des modèles génératifs probabilistes aux matrices de comptage clairsemées et surdispersées produites par le séquençage d'ARN de cellule unique. En plaçant des distributions a priori sur des variables biologiques latentes — état cellulaire, effets de lot, dropout — le cadre propage l'incertitude à travers chaque étape d'inférence en aval. Des outils tels que scVI, SCVI-tools et BayesPrism implémentent ce paradigme, permettant un regroupement cellulaire principiel, des tests d'expression différentielle et une intégration de lots qui modélisent explicitement le bruit technique plutôt que de l'ignorer.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Bayesian Probabilistic Analysis of Single-Cell RNA Sequencing Data. ScholarGate. https://scholargate.app/fr/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)Apprentissage automatique↔ compare
- Régression binomiale négativeÉconométrie↔ compare
- Autoencodeur VariationnelApprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →