Maskinlæringsassistert analyse av enkeltcelle-RNA-sekvensering
Maskinlæringsassistert analyse av enkeltcelle-RNA-sekvensering (scRNA-seq) integrerer veiledede, ikke-veiledede og dype generative modeller i den standardiserte scRNA-seq-arbeidsflyten for å håndtere de unike utfordringene med enkeltcelledata: ekstrem sparsomhet, høy dimensionalitet, teknisk støy og batcheffekter på tvers av eksperimenter. Metoder som variasjonelle autoenkodere (scVI), grafnevralnett og transfer learning forbedrer celle-type-identifikasjon, baneinferens og integrasjon av data på tvers av studier betydelig sammenlignet med rent statistiske tilnærminger.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Metodekart
Nabolaget av beslektede metoder — velg en node for å utforske.
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 ↗
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Machine Learning-Assisted Single-Cell RNA Sequencing Analysis. ScholarGate. https://scholargate.app/no/bioinformatics/machine-learning-assisted-single-cell-rna-seq-analysis
Hvilken metode?
Sett denne metoden ved siden av sin nærmeste slektning og les dem side om side — biblioteket legger bøkene på bordet; valget er ditt.
- Genesettanrikelsesanalyse (GSEA)Bioinformatikk↔ sammenlign
- Maskinlæringsassistert RNA-seq differensialuttrykksanalyseBioinformatikk↔ sammenlign
- Pathway Enrichment AnalysisBioinformatikk↔ sammenlign
- RNA-seq differensialuttrykkBioinformatikk↔ sammenlign
- Analyse av enkeltcelle-RNA-sekvensering (scRNA-seq)Bioinformatikk↔ sammenlign
- Analyse av differensial genuttrykk i enkeltcelle-RNA-sekvenseringBioinformatikk↔ sammenlign
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →