Machine learning-assisted gene set enrichment analysis
Machine learning-assisted gene set enrichment analysis (ML-GSEA) extends the classical GSEA framework by incorporating supervised or unsupervised ML models — such as random forests, neural networks, or deep learning architectures — to improve the detection, ranking, and biological interpretation of enriched gene sets from high-throughput expression data. The approach is particularly valuable for complex, non-linear gene-set relationships that classical enrichment statistics may miss.
Bronrecord
Citaten letterlijk overgenomen uit het bronrecord van de methode. Hieruit wordt geen verificatie op claimniveau afgeleid.
- Subramanian, A., Tamayo, P., Mootha, V. K., Mukherjee, S., Ebert, B. L., Gillette, M. A., Paulovich, A., Pomeroy, S. L., Golub, T. R., Lander, E. S., & Mesirov, J. P. (2005). Gene set enrichment analysis: A knowledge-based approach for interpreting genome-wide expression profiles. Proceedings of the National Academy of Sciences, 102(43), 15545–15550. · DOI 10.1073/pnas.0506580102
- Ma, J., Yu, M. K., Fong, S., Ono, K., Sage, E., Demchak, B., Sharan, R., & Ideker, T. (2018). Using deep learning to model the hierarchical structure and function of a cell. Nature Methods, 15(4), 290–298. · DOI 10.1038/nmeth.4627
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.