Bayesian single-cell RNA-seq analysis
Bayesian single-cell RNA-seq analysis applies probabilistic generative models to the sparse, overdispersed count matrices produced by single-cell RNA sequencing. By placing prior distributions over latent biological variables — cell state, batch effects, dropout — the framework propagates uncertainty through every downstream inference step. Tools such as scVI, SCVI-tools, and BayesPrism implement this paradigm, enabling principled cell clustering, differential expression testing, and batch integration that explicitly models technical noise rather than ignoring it.
Исходная запись
Цитирование скопировано дословно из исходной записи метода. На его основании не делается никаких выводов о проверке на уровне утверждения.
- 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
Курируемые утверждения
Утверждения сохранены в реестре доказательств, каждое со своей оценкой.
Этот вид не создает оценку утверждения, если в реестре ее нет.
Связанные методы
Сгенерировано из графа методов и показано как предложенные машиной связи — никаких выводов об утверждениях доказательств не делается.