手法証拠記録
Machine learning-assisted RNA-seq differential expression
Machine learning-assisted RNA-seq differential expression analysis augments classical statistical DE testing (DESeq2, edgeR, limma-voom) with ML models — including neural networks, random forests, and variational autoencoders — to better handle the high dimensionality, zero-inflation, and batch effects inherent in RNA-seq count data. The approach improves feature selection, noise reduction, and detection power, especially in large or complex experimental designs.
出典記録
引用は手法の出典記録からそのままコピーされています。それらからレベルごとの検証は推論されません。
Machine Learning-Assisted RNA-seq Differential Expression Analysis
分類的手法記録 · process-pipeline / bioinformatics
- 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. · URL
- 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. · URL
キュレーションされた主張
主張は証拠台帳に永続化され、それぞれが独自の評価を持っています。
まだキュレーションされた主張はありません
このビューは、台帳に主張評価がない場合、主張評価を生成しません。
関連手法
手法グラフから生成され、機械が提案した関係として表示されます — 証拠主張は推論されません。