Ar mašīnmācīšanos saistīta eQTL analīze — uz ML balstīta ekspresijas kvantitatīvo iezīmju lokusu kartēšana
Ar mašīnmācīšanos saistīta eQTL analīze integrē uzraudzītas mācīšanās modeļus — sākot no elastīgā tīkla regresijas līdz dziļajiem neironu tīkliem — klasiskajā eQTL ietvarā, lai prognozētu un kartētu ģenētiskos variantus, kas regulē gēnu ekspresiju. Apmācot prognozēšanas modeļus uz atsauces paneļiem (piemēram, GTEx), pieeja ļauj imputēt gēnu ekspresiju kohortās, kurās trūkst RNS datu, ievērojami palielinot statistisko jaudu un nodrošinot šķērsšūnu vispārināšanu.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
Avoti
- Gamazon, E. R., Wheeler, H. E., Shah, K. P., Mozaffari, S. V., Aquino-Michaels, K., Carroll, R. J., ... & Im, H. K. (2015). A gene-based association method for mapping traits using reference transcriptome data. Nature Genetics, 47(9), 1091-1098. link ↗
- Zhou, J., & Troyanskaya, O. G. (2015). Predicting effects of noncoding variants with deep learning-based sequence model. Nature Methods, 12(10), 931-934. link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Machine Learning-Assisted Expression Quantitative Trait Loci Analysis. ScholarGate. https://scholargate.app/lv/bioinformatics/machine-learning-assisted-eqtl-analysis
Kura metode?
Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.
- eQTL analīzeBioinformātika↔ salīdzināt
- Ģenoma plaša asociācijas pētījums (GWAS)Bioinformātika↔ salīdzināt
- Mašīnmācīšanās palīdzības GWASBioinformātika↔ salīdzināt
- Daudzomu eQTL analīzeBioinformātika↔ salīdzināt
- Signālu ceļu bagātināšanas analīzeBioinformātika↔ salīdzināt
- RNA-seq diferenciālās ekspresijasBioinformātika↔ salīdzināt
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →