Mašīnmācīšanās atbalstīta RNS-sekvenēšanas diferenciālās ekspresijas analīze
Mašīnmācīšanās atbalstīta RNS-sekvenēšanas (RNA-seq) diferenciālās ekspresijas (DE) analīze papildina klasiskās statistiskās DE testēšanas metodes (DESeq2, edgeR, limma-voom) ar mašīnmācīšanās (ML) modeļiem — tostarp neironu tīkliem, nejaušajiem mežiem un variāciju autoenkoderiem —, lai labāk apstrādātu lielo dimensiju skaitu, nulles inflāciju un partiju efektus, kas raksturīgi RNA-seq skaitīšanas datiem. Šī pieeja uzlabo iezīmju atlasi, trokšņu samazināšanu un detekcijas jaudu, īpaši lielos vai sarežģītos eksperimentālos plānos.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Machine Learning-Assisted RNA-seq Differential Expression Analysis. ScholarGate. https://scholargate.app/lv/bioinformatics/machine-learning-assisted-rna-seq-differential-expression
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
- Signālu ceļu bagātināšanas analīzeBioinformātika↔ salīdzināt
- Random ForestMašīnmācīšanās↔ salīdzināt
- RNA-seq diferenciālās ekspresijasBioinformātika↔ salīdzināt
- Vienšūnas RNS sekvencēšanas analīzeBioinformātika↔ salīdzināt
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →