Machine learning-ondersteunde analyse van single-cell RNA-seq
Machine learning-ondersteunde analyse van single-cell RNA-sequencing (scRNA-seq) integreert gesuperviseerde, ongesuperviseerde en diepe generatieve modellen in de standaard scRNA-seq workflow om de unieke uitdagingen van single-cell data aan te pakken: extreme schaarste, hoge dimensionaliteit, technische ruis en batch-effecten tussen experimenten. Methoden zoals variationele auto-encoders (scVI), graph neural networks en transfer learning verbeteren de identificatie van celtypen, trajectinferentie en integratie van data over studies heen aanzienlijk in vergelijking met puur statistische benaderingen.
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 ↗
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Machine Learning-Assisted Single-Cell RNA Sequencing Analysis. ScholarGate. https://scholargate.app/nl/bioinformatics/machine-learning-assisted-single-cell-rna-seq-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
- Machine Learning-ondersteunde RNA-seq differentiële expressieanalyseBio-informatica↔ vergelijken
- Pathway-verrijkingsanalyseBio-informatica↔ vergelijken
- RNA-seq Differentiele ExpressieBio-informatica↔ vergelijken
- Single-cell RNA-seq AnalyseBio-informatica↔ vergelijken
- Differentiële expressieanalyse van single-cell RNA-seqBio-informatica↔ vergelijken
Een fout op deze pagina gezien? Meld het of stel een correctie voor →