Анализ дифференциальной экспрессии РНК-сек с помощью машинного обучения
Анализ дифференциальной экспрессии РНК-сек с помощью машинного обучения дополняет классическое статистическое тестирование дифференциальной экспрессии (DESeq2, edgeR, limma-voom) моделями машинного обучения — включая нейронные сети, случайные леса и вариационные автокодировщики — для лучшей обработки высокой размерности, избытка нулей и эффектов партии, присущих данным подсчета РНК-сек. Подход улучшает отбор признаков, снижение шума и мощность обнаружения, особенно в больших или сложных экспериментальных схемах.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Machine Learning-Assisted RNA-seq Differential Expression Analysis. ScholarGate. https://scholargate.app/ru/bioinformatics/machine-learning-assisted-rna-seq-differential-expression
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.
- Анализ обогащения генных наборов (GSEA)Биоинформатика↔ compare
- Анализ обогащения сигнальных путейБиоинформатика↔ compare
- Случайный лесМашинное обучение↔ compare
- Анализ дифференциальной экспрессии РНК-сек (DE)Биоинформатика↔ compare
- Анализ одноклеточной РНК-секвенирования (scRNA-seq)Биоинформатика↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →