ScholarGate
Asisten
Process / pipelineBioinformatics / omics

Analisis Variasi Jumlah Salinan Dibantu Pembelajaran Mesin

Analisis CNV yang dibantu pembelajaran mesin menerapkan algoritma pembelajaran terawasi, tidak terawasi, atau mendalam untuk mendeteksi wilayah genomik yang diduplikasi atau dihapus relatif terhadap genom referensi. Alih-alih mengandalkan ambang batas statistik tetap, model ML mempelajari pola diskriminatif dari sinyal kedalaman bacaan, frekuensi alel, dan fitur lainnya, secara substansial meningkatkan sensitivitas dan spesifisitas dibandingkan alat klasik — terutama pada data pengurutan yang berisik atau cakupan rendah.

Buka di MethodMindSegeraVideoSegeraUnduh salindia

Baca metode selengkapnya

Khusus anggota

Masuk dengan akun gratis untuk membaca bagian ini.

Masuk

Peta metode

Lingkup metode terkait — pilih sebuah simpul untuk menjelajah.

Sumber

  1. Aganezov, S., Goodwin, S., Sherman, R. M., Sedlazeck, F. J., Mehta, G., Rushbrook, S., ... & Schatz, M. C. (2020). Comprehensive analysis of structural variants in breast cancer genomes using single-molecule sequencing. Genome Research, 30(9), 1258-1273. link
  2. Zare, F., Dow, M., Monteleone, N., Bhatt, A., & Bhatt, D. L. (2017). An evaluation of copy number variation detection tools for cancer using whole exome sequencing data. BMC Bioinformatics, 18(1), 286. link

Cara menyitasi halaman ini

ScholarGate. (2026, June 3). Machine Learning-Assisted Copy Number Variation Analysis. ScholarGate. https://scholargate.app/id/bioinformatics/machine-learning-assisted-copy-number-variation-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.

Bandingkan berdampingan
ScholarGateMachine learning-assisted copy number variation analysis (Machine Learning-Assisted Copy Number Variation Analysis). Diakses 2026-06-15 dari https://scholargate.app/id/bioinformatics/machine-learning-assisted-copy-number-variation-analysis · Set data: https://doi.org/10.5281/zenodo.20539026