Análise Bayesiana de RNA-seq de Célula Única — Transcriptômica Probabilística
A análise Bayesiana de RNA-seq de célula única aplica modelos generativos probabilísticos às matrizes de contagem esparsas e superdispersas produzidas pelo sequenciamento de RNA de célula única. Ao colocar distribuições a priori sobre variáveis biológicas latentes — estado celular, efeitos de lote, dropout — o framework propaga a incerteza por todas as etapas de inferência subsequentes. Ferramentas como scVI, SCVI-tools e BayesPrism implementam este paradigma, permitindo agrupamento celular principiado, teste de expressão diferencial e integração de lotes que modelam explicitamente o ruído técnico em vez de ignorá-lo.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Mapa de métodos
A vizinhança de métodos relacionados — selecione um nó para explorar.
Fontes
- 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. DOI: 10.1038/s41592-018-0229-2 ↗
- 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. DOI: 10.1038/s41467-018-07931-2 ↗
Como citar esta página
ScholarGate. (2026, June 3). Bayesian Probabilistic Analysis of Single-Cell RNA Sequencing Data. ScholarGate. https://scholargate.app/pt/bioinformatics/bayesian-single-cell-rna-seq-analysis
Qual método?
Coloque este método ao lado dos seus pares mais próximos e leia-os lado a lado — a biblioteca dispõe os livros sobre a mesa; a escolha é sua.
- Alocação de Dirichlet Latente (LDA)Aprendizado de máquina↔ comparar
- Regressão Binomial NegativaEconometria↔ comparar
- Autoencoder VariacionalAprendizado profundo↔ comparar
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →