ScholarGate
Assistente
Process / pipelineBioinformatics / omics

Analisi filogenetica assistita da machine learning

L'analisi filogenetica assistita da machine learning integra modelli di apprendimento supervisionato, non supervisionato o profondo nel flusso di lavoro di inferenza dell'albero evolutivo per migliorarne velocità, accuratezza o scalabilità oltre quanto i classici metodi di massima verosimiglianza e bayesiani raggiungono da soli. Le applicazioni spaziano dalla selezione del modello di sostituzione e dalla predizione della topologia dell'albero, al posizionamento di nuove sequenze su alberi di riferimento esistenti e al rilevamento di eventi di ricombinazione o trasferimento genico orizzontale.

Apri in MethodMindIn arrivoVideoIn arrivoDownload slides

Leggi il metodo completo

Riservato ai membri

Accedi con un account gratuito per leggere questa sezione.

Accedi

Method map

The neighbourhood of related methods — select a node to explore.

Analisi filogenetica assistita da machine learning
Studio di associazione s…

Fonti

  1. Nesterenko, L., et al. (2024). Machine learning methods in phylogenetics: A review of applications and perspectives. Briefings in Bioinformatics, 25(1), bbad441. link
  2. Suvorov, A., Hochuli, J., & Schrider, D. R. (2020). Accurate inference of tree topologies from multiple sequence alignments using deep learning. Systematic Biology, 69(2), 221–233. link

Come citare questa pagina

ScholarGate. (2026, June 3). Machine Learning-Assisted Phylogenetic Analysis. ScholarGate. https://scholargate.app/it/bioinformatics/machine-learning-assisted-phylogenetic-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.

Compare side by side
ScholarGateMachine learning-assisted phylogenetic analysis (Machine Learning-Assisted Phylogenetic Analysis). Consultato il 2026-06-15 da https://scholargate.app/it/bioinformatics/machine-learning-assisted-phylogenetic-analysis · Insieme di dati: https://doi.org/10.5281/zenodo.20539026