Analisis RNA-seq Sel Tunggal Bayesian — Transkriptomik Kebarangkalian
Analisis RNA-seq sel tunggal Bayesian mengaplikasikan model generatif kebarangkalian kepada matriks kiraan jarang dan terlebih serakan yang dihasilkan oleh penjujukan RNA sel tunggal. Dengan meletakkan taburan prior ke atas pemboleh ubah biologi laten — keadaan sel, kesan kelompok, "dropout" — kerangka ini menyebarkan ketidakpastian melalui setiap langkah inferens hiliran. Alat seperti scVI, SCVI-tools, dan BayesPrism melaksanakan paradigma ini, membolehkan pengelompokan sel berprinsip, pengujian ekspresi pembezaan, dan integrasi kelompok yang secara eksplisit memodelkan hingar teknikal dan bukannya mengabaikannya.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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. DOI: 10.1038/s41592-018-0229-2 ↗
- 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. DOI: 10.1038/s41467-018-07931-2 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Bayesian Probabilistic Analysis of Single-Cell RNA Sequencing Data. ScholarGate. https://scholargate.app/ms/bioinformatics/bayesian-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.
- Peruntukan Dirichlet Latent (LDA)Pembelajaran Mesin↔ compare
- Regresi Binomial NegatifEkonometrik↔ compare
- Autoenkoder VariasiPembelajaran Mendalam↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →