Mašīnmācīšanās atbalstīta ceļu bagātināšanas analīze
Mašīnmācīšanās atbalstīta ceļu bagātināšanas analīze integrē klasiskās statistiskās ceļu bagātināšanas metodes — piemēram, pārsātinājuma analīzi (over-representation analysis) vai gēnu kopu bagātināšanas analīzi (gene set enrichment analysis) — ar mašīnmācīšanās algoritmiem, lai uzlabotu jutīgumu, apstrādātu augstdimensionālus omikas datus un atklātu nelineārus bioloģiskus modeļus. Pieeja pārsniedz ceļu ranžēšanu tikai pēc p-vērtības, izmantojot ML modeļus, lai svērtu gēnu ieguldījumu, atšķirtu signālu no trokšņa daudzos paraugos un noteiktu prioritāti bioloģiski nozīmīgiem ceļiem sarežģītos datu kopumos.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
Avoti
- Chen, E. Y., Tan, C. M., Kou, Y., Duan, Q., Wang, Z., Meirelles, G. V., Clark, N. R., & Ma'ayan, A. (2013). Enrichr: interactive and collaborative HTML5 gene list enrichment analysis tool. BMC Bioinformatics, 14, 128. link ↗
- Way, G. P., & Greene, C. S. (2018). Extracting a biologically relevant latent space from cancer transcriptomes with variational autoencoders. Pacific Symposium on Biocomputing, 23, 80–91. link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Machine Learning-Assisted Pathway Enrichment Analysis. ScholarGate. https://scholargate.app/lv/bioinformatics/machine-learning-assisted-pathway-enrichment-analysis
Kura metode?
Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.
- GSEA (Gēnu kopu bagātināšanas analīze)Bioinformātika↔ salīdzināt
- Random ForestMašīnmācīšanās↔ salīdzināt
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →