Analisi dell'espressione differenziale RNA-seq assistita da Machine Learning

L'analisi dell'espressione differenziale RNA-seq assistita da machine learning (ML) potenzia i test statistici classici di DE (DESeq2, edgeR, limma-voom) con modelli ML — inclusi reti neurali, random forest e autoencoder variazionali — per gestire meglio l'alta dimensionalità, l'eccesso di zeri e gli effetti batch intrinseci nei dati di conteggio RNA-seq. L'approccio migliora la selezione delle feature, la riduzione del rumore e la potenza di rilevamento, specialmente in disegni sperimentali ampi o complessi.