Анализ одноклеточной РНК-секвенирования с использованием машинного обучения

Анализ одноклеточного РНК-секвенирования (scRNA-seq) с использованием машинного обучения интегрирует контролируемые, неконтролируемые и глубокие генеративные модели в стандартный рабочий процесс scRNA-seq для решения уникальных проблем данных одноклеточного уровня: экстремальная разреженность, высокая размерность, технический шум и пакетные эффекты между экспериментами. Такие методы, как вариационные автокодировщики (scVI), графовые нейронные сети и трансферное обучение, значительно улучшают идентификацию типов клеток, вывод траекторий и интеграцию данных между исследованиями по сравнению с чисто статистическими подходами.