ScholarGate
Assistente
Process / pipelineBioinformatics / omics

Análise de eQTL Assistida por Aprendizado de Máquina — Mapeamento de Loci de Traços Quantitativos de Expressão Baseado em ML

A análise de eQTL assistida por aprendizado de máquina integra modelos de aprendizado supervisionado — desde regressão elastic-net até redes neurais profundas — ao framework clássico de eQTL para prever e mapear variantes genéticas que regulam a expressão gênica. Ao treinar modelos preditivos em painéis de referência (por exemplo, GTEx), a abordagem permite a imputação da expressão gênica em coortes que carecem de dados de RNA, aumentando substancialmente o poder estatístico e permitindo a generalização entre tecidos.

Abrir no MethodMindEm breveVídeoEm breveDownload slides

Leia o método completo

Exclusivo para membros

Entre com uma conta gratuita para ler esta seção.

Entrar

Method map

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

Fontes

  1. Gamazon, E. R., Wheeler, H. E., Shah, K. P., Mozaffari, S. V., Aquino-Michaels, K., Carroll, R. J., ... & Im, H. K. (2015). A gene-based association method for mapping traits using reference transcriptome data. Nature Genetics, 47(9), 1091-1098. link
  2. Zhou, J., & Troyanskaya, O. G. (2015). Predicting effects of noncoding variants with deep learning-based sequence model. Nature Methods, 12(10), 931-934. link

Como citar esta página

ScholarGate. (2026, June 3). Machine Learning-Assisted Expression Quantitative Trait Loci Analysis. ScholarGate. https://scholargate.app/pt/bioinformatics/machine-learning-assisted-eqtl-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 expression quantitative trait loci analysis (Machine Learning-Assisted Expression Quantitative Trait Loci Analysis). Recuperado em 2026-06-15 de https://scholargate.app/pt/bioinformatics/machine-learning-assisted-eqtl-analysis · Conjunto de dados: https://doi.org/10.5281/zenodo.20539026