Analīze ar mašīnmācīšanos atbalstītu vienšūnu RNS sekvencēšanu
Analīze ar mašīnmācīšanos atbalstītu vienšūnu RNS sekvencēšanu (scRNA-seq) integrē uzraudzītus, neuzraudzītus un dziļos ģeneratīvos modeļus standarta scRNA-seq darba plūsmā, lai risinātu unikālās vienšūnu datu problēmas: ārkārtēju reti, augstu dimensionalitāti, tehnisko troksni un partiju efektus starp eksperimentiem. Metodes, piemēram, variācijas autoenkoderi (scVI), grafu neironu tīkli un pārsūtīšanas mācīšanās, būtiski uzlabo šūnu tipu identifikāciju, trajektorijas inferenci un datu integrāciju starp pētījumiem, salīdzinot ar tīri statistiskām pieejām.
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 ↗
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Machine Learning-Assisted Single-Cell RNA Sequencing Analysis. ScholarGate. https://scholargate.app/lv/bioinformatics/machine-learning-assisted-single-cell-rna-seq-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
- Mašīnmācīšanās atbalstīta RNS-sekvenēšanas diferenciālās ekspresijas analīzeBioinformātika↔ salīdzināt
- Signālu ceļu bagātināšanas analīzeBioinformātika↔ salīdzināt
- RNA-seq diferenciālās ekspresijasBioinformātika↔ salīdzināt
- Vienšūnas RNS sekvencēšanas analīzeBioinformātika↔ salīdzināt
- Vienšūnu RNS sekvenēšanas (scRNA-seq) diferenciālās ekspresijas analīzeBioinformātika↔ salīdzināt
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →