Process / pipelineBioinformatics / omics

Analiza danych sekwencjonowania RNA pojedynczych komórek (scRNA-seq) wspomagana uczeniem maszynowym

Analiza danych sekwencjonowania RNA pojedynczych komórek (scRNA-seq) wspomagana uczeniem maszynowym integruje nadzorowane, nienadzorowane i głębokie modele generatywne ze standardowym przepływem pracy scRNA-seq w celu sprostania unikalnym wyzwaniom danych jednokomórkowych: ekstremalnej rzadkości, wysokiej wymiarowości, szumu technicznego i efektów wsadowych między eksperymentami. Metody takie jak wariacyjne autoenkodery (scVI), grafowe sieci neuronowe i uczenie transferowe znacząco poprawiają identyfikację typów komórek, wnioskowanie o trajektoriach i integrację danych między badaniami w porównaniu z podejściami czysto statystycznymi.

Otwórz w MethodMindWkrótceWideoWkrótceDownload slides

Przeczytaj pełny opis metody

Tylko dla członków

Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.

Zaloguj się

Method map

The neighbourhood of related methods — select a node to explore.

Źródła

  1. 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
  2. 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

Jak cytować tę stronę

ScholarGate. (2026, June 3). Machine Learning-Assisted Single-Cell RNA Sequencing Analysis. ScholarGate. https://scholargate.app/pl/bioinformatics/machine-learning-assisted-single-cell-rna-seq-analysis

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.

Compare side by side
ScholarGateMachine learning-assisted single-cell RNA-seq analysis (Machine Learning-Assisted Single-Cell RNA Sequencing Analysis). Pobrano 2026-06-15 z https://scholargate.app/pl/bioinformatics/machine-learning-assisted-single-cell-rna-seq-analysis · Zbiór danych: https://doi.org/10.5281/zenodo.20539026