Machine Learning-ondersteunde RNA-seq differentiële expressieanalyse
Machine learning-ondersteunde RNA-seq differentiële expressieanalyse vult klassieke statistische DE-testen (DESeq2, edgeR, limma-voom) aan met ML-modellen — waaronder neurale netwerken, random forests en variationele autoencoders — om de hoge dimensionaliteit, zero-inflatie en batch-effecten die inherent zijn aan RNA-seq count data beter te hanteren. De aanpak verbetert feature selectie, ruisonderdrukking en detectievermogen, vooral bij grote of complexe experimentele ontwerpen.
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
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Machine Learning-Assisted RNA-seq Differential Expression Analysis. ScholarGate. https://scholargate.app/nl/bioinformatics/machine-learning-assisted-rna-seq-differential-expression
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
- Pathway-verrijkingsanalyseBio-informatica↔ vergelijken
- Random ForestMachine learning↔ vergelijken
- RNA-seq Differentiele ExpressieBio-informatica↔ vergelijken
- Single-cell RNA-seq AnalyseBio-informatica↔ vergelijken
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →