Analisis RNA-seq Sel Tunggal Bayesian — Transkriptomik Probabilistik
Analisis RNA-seq sel tunggal Bayesian menerapkan model generatif probabilistik pada matriks hitungan yang jarang dan terlalu tersebar yang dihasilkan oleh pengurutan RNA sel tunggal. Dengan menempatkan distribusi prior di atas variabel biologis laten — keadaan sel, efek batch, dropout — kerangka kerja ini menyebarkan ketidakpastian melalui setiap langkah inferensi hilir. Alat seperti scVI, SCVI-tools, dan BayesPrism mengimplementasikan paradigma ini, memungkinkan pengelompokan sel yang berprinsip, pengujian ekspresi diferensial, dan integrasi batch yang secara eksplisit memodelkan kebisingan teknis daripada mengabaikannya.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Peta metode
Lingkup metode terkait — pilih sebuah simpul untuk menjelajah.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Bayesian Probabilistic Analysis of Single-Cell RNA Sequencing Data. ScholarGate. https://scholargate.app/id/bioinformatics/bayesian-single-cell-rna-seq-analysis
Metode yang mana?
Letakkan metode ini berdampingan dengan kerabat terdekatnya dan baca secara bersisian — pustaka menata bukunya di atas meja; pilihan ada di tangan Anda.
- Latent Dirichlet Allocation (LDA)Pembelajaran Mesin↔ bandingkan
- Regresi Binomial NegatifEkonometrika↔ bandingkan
- Variational AutoencoderPembelajaran Mendalam↔ bandingkan
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →