Analiza ekspresji różnicowej RNA-seq wspomagana uczeniem maszynowym
Analiza ekspresji różnicowej RNA-seq wspomagana uczeniem maszynowym uzupełnia klasyczne statystyczne testowanie DE (DESeq2, edgeR, limma-voom) o modele uczenia maszynowego — w tym sieci neuronowe, lasy losowe i wariacyjne autoenkodery — w celu lepszego radzenia sobie z wysoką wymiarowością, nadmierną liczbą zer i efektami wsadowymi (batch effects) nieodłącznie związanymi z danymi RNA-seq. Podejście to poprawia selekcję cech, redukcję szumów i moc detekcji, zwłaszcza w dużych lub złożonych projektach eksperymentalnych.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Mapa metod
Sąsiedztwo pokrewnych metod — wybierz węzeł, aby je zgłębić.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Machine Learning-Assisted RNA-seq Differential Expression Analysis. ScholarGate. https://scholargate.app/pl/bioinformatics/machine-learning-assisted-rna-seq-differential-expression
Która metoda?
Zestaw tę metodę z najbliższymi jej krewnymi i czytaj je obok siebie — biblioteka kładzie księgi na stole; wybór należy do Ciebie.
- Analiza wzbogacenia zestawów genów (GSEA)Bioinformatyka↔ porównaj
- Analiza wzbogacenia szlakówBioinformatyka↔ porównaj
- Random ForestUczenie maszynowe↔ porównaj
- Analiza ekspresji różnicowej RNA-seqBioinformatyka↔ porównaj
- Analiza scRNA-seq pojedynczych komórekBioinformatyka↔ porównaj
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →