Machine learning-assisted variant calling
Machine learning-assisted variant calling uses statistical learning models — most notably convolutional neural networks — to distinguish genuine genomic variants (SNPs, indels) from sequencing artifacts in aligned short- or long-read data. Unlike heuristic callers that rely on hand-crafted filters, ML-based approaches learn directly from large labeled datasets of validated variants, improving sensitivity and specificity across diverse sequencing platforms and coverage depths. Google's DeepVariant (2018) is the landmark implementation that brought deep learning into mainstream variant calling.
Kilderegister
Siteringer kopiert ordrett fra metodens kilderegister. Ingen påstandsnivåverifisering er underforstått fra dem.
- Poplin, R., Chang, P. C., Alexander, D., Schwartz, S., Colthurst, T., Ku, A., Newburger, D., Dijamco, J., Nguyen, N., Afshar, P. T., Gross, S. S., Dorfman, L., McLean, C. Y., & DePristo, M. A. (2018). A universal SNP and small-indel variant caller using deep neural networks. Nature Biotechnology, 36(10), 983–987. · DOI 10.1038/nbt.4235
- Krusche, P., Trigg, L., Boutros, P. C., Mason, C. E., De La Vega, F. M., Moore, B. L., Gonzalez-Porta, M., Eberle, M. A., Tezak, Z., Lababidi, S., Truty, R., Asimenos, G., Funke, B., Fleharty, M., Salit, M., Goldfeder, R. L., & Zook, J. M. (2019). Best practices for benchmarking germline small-variant calls in human genomes. Nature Biotechnology, 37(5), 555–560. · DOI 10.1038/s41587-019-0054-x
Kuraterte påstander
Påstander lagret i bevishovedboken, hver med sin egen vurdering.
Denne visningen finner ikke opp en påstandsvurdering når hovedboken ikke har noen.
Relaterte metoder
Generert fra metodegrafen og vist som maskinforslåtte relasjoner – ingen bevispåstand er underforstått.
Den genererte relasjonsgrafen har ingen utgående relasjon for denne metoden.