Process / pipelineBioinformatics / omics
머신러닝 기반 단일 세포 RNA 시퀀싱 분석
머신러닝 기반 단일 세포 RNA 시퀀싱(scRNA-seq) 분석은 단일 세포 데이터의 고유한 문제점인 극심한 희소성, 고차원성, 기술적 노이즈, 실험 간 배치 효과 등을 해결하기 위해 지도 학습, 비지도 학습, 심층 생성 모델을 표준 scRNA-seq 워크플로우에 통합합니다. scVI와 같은 변이형 오토인코더, 그래프 신경망, 전이 학습과 같은 방법들은 순수 통계적 접근 방식에 비해 세포 유형 식별, 궤적 추론, 연구 간 데이터 통합을 크게 향상시킵니다.
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. link ↗
- Luecken, M. D., & Theis, F. J. (2019). Current best practices in single-cell RNA-seq analysis: a tutorial. Molecular Systems Biology, 15(6), e8746. link ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Machine Learning-Assisted Single-Cell RNA Sequencing Analysis. ScholarGate. https://scholargate.app/ko/bioinformatics/machine-learning-assisted-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.
- 유전자 집합 농축 분석 (GSEA)생물정보학↔ compare
- 기계 학습 보조 RNA 시퀀싱 차등 발현 분석생물정보학↔ compare
- 경로 농축 분석생물정보학↔ compare
- RNA-seq 차등 발현생물정보학↔ compare
- 단일 세포 RNA-seq 분석생물정보학↔ compare
- Single-cell RNA-seq differential expression생물정보학↔ compare