Process / pipelineBioinformatics / omics
機械学習支援RNAシーケンス差次的発現解析
機械学習支援RNAシーケンス差次的発現解析は、古典的な統計的差次的発現（DE）テスト（DESeq2、edgeR、limma-voom）を、ニューラルネットワーク、ランダムフォレスト、変分オートエンコーダーなどのMLモデルで補強し、RNAシーケンスカウントデータに固有の高い次元性、ゼロ過剰性、バッチ効果をより良く処理します。このアプローチは、特に大規模または複雑な実験デザインにおいて、特徴選択、ノイズ削減、検出力を向上させます。
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
Method map
The neighbourhood of related methods — select a node to explore.
出典
- 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. link ↗
- 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. link ↗
このページの引用方法
ScholarGate. (2026, June 3). Machine Learning-Assisted RNA-seq Differential Expression Analysis. ScholarGate. https://scholargate.app/ja/bioinformatics/machine-learning-assisted-rna-seq-differential-expression
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.
- 遺伝子セット濃縮解析 (GSEA)バイオインフォマティクス↔ compare
- 経路濃縮解析バイオインフォマティクス↔ compare
- ランダムフォレスト機械学習↔ compare
- RNA-seq 差次的発現バイオインフォマティクス↔ compare
- Single-cell RNA-seq Analysisバイオインフォマティクス↔ compare