Process / pipelineBioinformatics / omics
기계 학습 보조 RNA 시퀀싱 차등 발현 분석
기계 학습 보조 RNA 시퀀싱 차등 발현 분석은 신경망, 랜덤 포레스트, 변이형 자동 인코더를 포함한 ML 모델을 사용하여 고전적인 통계적 DE 테스트(DESeq2, edgeR, limma-voom)를 보강하여 RNA 시퀀싱 카운트 데이터에 내재된 고차원성, 제로 인플레이션 및 배치 효과를 더 잘 처리합니다. 이 접근 방식은 특히 크거나 복잡한 실험 설계에서 특징 선택, 노이즈 감소 및 탐지력을 향상시킵니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
방법 지도
관련 방법들로 이루어진 인접 영역 — 노드를 선택해 살펴보세요.
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. 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 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Machine Learning-Assisted RNA-seq Differential Expression Analysis. ScholarGate. https://scholargate.app/ko/bioinformatics/machine-learning-assisted-rna-seq-differential-expression
어떤 방법일까요?
이 방법을 가장 가까운 동류의 방법들과 나란히 놓고 비교해 보세요 — 라이브러리는 책을 펼쳐 놓을 뿐, 선택은 여러분의 몫입니다.
- 유전자 집합 농축 분석 (GSEA)생물정보학↔ 비교
- 경로 농축 분석생물정보학↔ 비교
- 랜덤 포레스트머신러닝↔ 비교
- RNA-seq 차등 발현생물정보학↔ 비교
- 단일 세포 RNA-seq 분석생물정보학↔ 비교