Bayesian single-cell RNA-seq analysis
Bayesian single-cell RNA-seq analysis applies probabilistic generative models to the sparse, overdispersed count matrices produced by single-cell RNA sequencing. By placing prior distributions over latent biological variables — cell state, batch effects, dropout — the framework propagates uncertainty through every downstream inference step. Tools such as scVI, SCVI-tools, and BayesPrism implement this paradigm, enabling principled cell clustering, differential expression testing, and batch integration that explicitly models technical noise rather than ignoring it.
Bronrecord
Citaten letterlijk overgenomen uit het bronrecord van de methode. Hieruit wordt geen verificatie op claimniveau afgeleid.
- 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
Gecureerde claims
Claims opgeslagen in het bewijsregister, elk met zijn eigen beoordeling.
Deze weergave verzint geen claimbeoordeling als het register er geen heeft.
Gerelateerde methoden
Gegenereerd uit de methodegraaf en getoond als machinaal voorgestelde relaties — er wordt geen bewijsclaim afgeleid.