Process / pipelineBioinformatics / omics
베이지안 단일 세포 RNA 시퀀싱 분석 — 확률론적 전사체학
베이지안 단일 세포 RNA 시퀀싱 분석은 단일 세포 RNA 시퀀싱에서 생성된 희소하고 과산포된(overdispersed) 카운트 행렬에 확률론적 생성 모델을 적용합니다. 잠재적 생물학적 변수(세포 상태, 배치 효과, 드롭아웃)에 사전 분포를 설정함으로써, 이 프레임워크는 모든 하위 추론 단계에 걸쳐 불확실성을 전파합니다. scVI, SCVI-tools, BayesPrism과 같은 도구들이 이 패러다임을 구현하며, 기술적 노이즈를 무시하는 대신 명시적으로 모델링하는 원칙에 입각한 세포 군집화, 차등 발현 검정, 배치 통합을 가능하게 합니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- 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 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Bayesian Probabilistic Analysis of Single-Cell RNA Sequencing Data. ScholarGate. https://scholargate.app/ko/bioinformatics/bayesian-single-cell-rna-seq-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.
- 잠재 디리클레 할당 (Latent Dirichlet Allocation, LDA)머신러닝↔ compare
- 음이항 회귀계량경제학↔ compare
- Variational Autoencoder딥러닝↔ compare