Machine Learning-Assisted Pathway Enrichment Analysis
Machine learning-assisted pathway enrichment analysis integreert klassieke statistische pathway enrichment methoden — zoals over-representation analysis of gene set enrichment analysis — met machine learning-algoritmen om de gevoeligheid te verbeteren, hoog-dimensionale omics-data te verwerken en niet-lineaire biologische patronen te ontdekken. De aanpak gaat verder dan het rangschikken van pathways op basis van alleen p-waarde, door ML-modellen te gebruiken om genbijdragen te wegen, signaal van ruis te onderscheiden over vele samples, en biologisch betekenisvolle pathways in complexe datasets te prioriteren.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Methodenkaart
De omgeving van verwante methoden — selecteer een knooppunt om te verkennen.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Machine Learning-Assisted Pathway Enrichment Analysis. ScholarGate. https://scholargate.app/nl/bioinformatics/machine-learning-assisted-pathway-enrichment-analysis
Welke methode?
Plaats deze methode naast haar naaste verwanten en lees ze naast elkaar — de bibliotheek legt de boeken op tafel; de keuze is aan u.
- Gen-setverrijkingsanalyse (GSEA)Bio-informatica↔ vergelijken
- Random ForestMachine learning↔ vergelijken
Een fout op deze pagina gezien? Meld het of stel een correctie voor →