Machine learning-assisted pathway enrichment analysis
Machine learning-assisted pathway enrichment analysis integrates classical statistical pathway enrichment methods — such as over-representation analysis or gene set enrichment analysis — with machine learning algorithms to improve sensitivity, handle high-dimensional omics data, and uncover non-linear biological patterns. The approach moves beyond ranking pathways by p-value alone, using ML models to weight gene contributions, distinguish signal from noise across many samples, and prioritize biologically meaningful pathways in complex datasets.
Bronrecord
Citaten letterlijk overgenomen uit het bronrecord van de methode. Hieruit wordt geen verificatie op claimniveau afgeleid.
- 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. · URL
- 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. · URL
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.