ניתוח ביטוי דיפרנציאלי של RNA-seq בסיוע למידת מכונה
ניתוח ביטוי דיפרנציאלי של RNA-seq בסיוע למידת מכונה משלים בדיקות סטטיסטיות קלאסיות לביטוי דיפרנציאלי (DESeq2, edgeR, limma-voom) עם מודלים של למידת מכונה — כולל רשתות נוירונים, יערות אקראיים ואוטואנకోדרים וריאציוניים — כדי להתמודד טוב יותר עם הממדיות הגבוהה, אינפלציית האפס והשפעות אצווה (batch effects) הטבועות בנתוני ספירת RNA-seq. הגישה משפרת את בחירת התכונות, הפחתת רעשים וכוח הזיהוי, במיוחד בעיצובים ניסיוניים גדולים או מורכבים.
קראו את השיטה במלואה
התחברו עם חשבון חינמי כדי לקרוא חלק זה.
Method map
The neighbourhood of related methods — select a node to explore.
מקורות
- 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 ↗
איך לצטט עמוד זה
ScholarGate. (2026, June 3). Machine Learning-Assisted RNA-seq Differential Expression Analysis. ScholarGate. https://scholargate.app/he/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.
- ניתוח העשרת קבוצת גנים (GSEA)ביואינפורמטיקה↔ compare
- ניתוח העשרת מסלוליםביואינפורמטיקה↔ compare
- יער אקראילמידת מכונה↔ compare
- ניתוח ביטוי דיפרנציאלי ב-RNA-seqביואינפורמטיקה↔ compare
- ניתוח RNA-seq של תא בודדביואינפורמטיקה↔ compare