ScholarGate
Asistent
Process / pipelineBioinformatics / omics

Analiza eQTL asistată de învățare automată — Cartografierea locusurilor cantitative ale expresiei bazată pe ML

Analiza eQTL asistată de învățare automată integrează modele de învățare supervizată — de la regresia elastic-net la rețele neuronale profunde — în cadrul clasic eQTL pentru a prezice și cartografia variante genetice care reglează expresia genică. Prin antrenarea modelelor predictive pe panouri de referință (de ex., GTEx), abordarea permite imputarea expresiei genice în cohorte care nu dispun de date ARN, crescând substanțial puterea statistică și permițând generalizarea trans-tisulară.

Deschide în MethodMindÎn curândVideoÎn curândDescarcă prezentarea

Citește metoda completă

Doar pentru membri

Autentifică-te cu un cont gratuit pentru a citi această secțiune.

Autentificare

Harta metodelor

Vecinătatea metodelor înrudite — selectați un nod pentru a explora.

Surse

  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

Cum se citează această pagină

ScholarGate. (2026, June 3). Machine Learning-Assisted Expression Quantitative Trait Loci Analysis. ScholarGate. https://scholargate.app/ro/bioinformatics/machine-learning-assisted-eqtl-analysis

Ce metodă?

Așezați această metodă lângă cele mai apropiate rude și citiți-le alăturat — biblioteca pune cărțile pe masă; alegerea vă aparține.

Compară alăturat
ScholarGateMachine learning-assisted expression quantitative trait loci analysis (Machine Learning-Assisted Expression Quantitative Trait Loci Analysis). Preluat la 2026-06-15 de pe https://scholargate.app/ro/bioinformatics/machine-learning-assisted-eqtl-analysis · Set de date: https://doi.org/10.5281/zenodo.20539026