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.
Record di origine
Citazioni copiate testualmente dal record di origine del metodo. Non si inferisce alcuna verifica a livello di affermazione da esse.
- 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
Affermazioni curate
Affermazioni persistite nel registro delle evidenze, ciascuna con la propria valutazione.
Questa vista non inventa una valutazione dell'affermazione quando il registro non ne ha.
Metodi correlati
Generato dal grafo dei metodi e mostrato come relazioni suggerite dalla macchina — nessuna affermazione di evidenza viene inferita.