Analisi Bayesiana di RNA-seq a Singola Cellula — Trascrittomica Probabilistica
L'analisi Bayesiana di RNA-seq a singola cellula applica modelli generativi probabilistici alle matrici di conteggi sparse e sovradisperse prodotte dal sequenziamento di RNA a singola cellula. Ponendo distribuzioni a priori sulle variabili biologiche latenti — stato cellulare, effetti di batch, dropout — il framework propaga l'incertezza attraverso ogni fase di inferenza a valle. Strumenti come scVI, SCVI-tools e BayesPrism implementano questo paradigma, consentendo clustering cellulare principiale, test di espressione differenziale e integrazione di batch che modellano esplicitamente il rumore tecnico anziché ignorarlo.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Bayesian Probabilistic Analysis of Single-Cell RNA Sequencing Data. ScholarGate. https://scholargate.app/it/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)Apprendimento automatico↔ compare
- Regressione Binomiale NegativaEconometria↔ compare
- Variational AutoencoderApprendimento profondo↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →