Maskinlæringsassistert RNA-seq differensialuttrykksanalyse
Maskinlæringsassistert RNA-seq differensialuttrykksanalyse utvider klassisk statistisk DE-testing (DESeq2, edgeR, limma-voom) med ML-modeller — inkludert nevrale nettverk, random forests og variasjonelle autoenkodere — for bedre å håndtere den høye dimensionaliteten, null-inflasjonen og batch-effektene som er iboende i RNA-seq-telledata. Tilnærmingen forbedrer funksjonsvalg, støyreduksjon og deteksjonskraft, spesielt i store eller komplekse eksperimentelle design.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Machine Learning-Assisted RNA-seq Differential Expression Analysis. ScholarGate. https://scholargate.app/no/bioinformatics/machine-learning-assisted-rna-seq-differential-expression
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Genesettanrikelsesanalyse (GSEA)Bioinformatikk↔ compare
- Pathway Enrichment AnalysisBioinformatikk↔ compare
- Random ForestMaskinlæring↔ compare
- RNA-seq differensialuttrykkBioinformatikk↔ compare
- Analyse av enkeltcelle-RNA-sekvensering (scRNA-seq)Bioinformatikk↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →