Bayesian single-cell RNA-seq analysis
Bayesian single-cell RNA-seq analysis applies probabilistic generative models to the sparse, overdispersed count matrices produced by single-cell RNA sequencing. By placing prior distributions over latent biological variables — cell state, batch effects, dropout — the framework propagates uncertainty through every downstream inference step. Tools such as scVI, SCVI-tools, and BayesPrism implement this paradigm, enabling principled cell clustering, differential expression testing, and batch integration that explicitly models technical noise rather than ignoring it.
Catatan sumber
Kutipan disalin apa adanya dari catatan sumber metode. Tidak ada verifikasi tingkat klaim yang disimpulkan darinya.
- 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
Klaim yang dikurasi
Klaim tersimpan dalam buku besar bukti, masing-masing dengan penilaiannya sendiri.
Tampilan ini tidak menciptakan penilaian klaim ketika buku besar tidak memilikinya.
Metode terkait
Dihasilkan dari grafik metode dan ditampilkan sebagai relasi yang disarankan mesin — tidak ada klaim bukti yang disimpulkan.