Machine learning-assisted RNA-seq differential expression
Machine learning-assisted RNA-seq differential expression analysis augments classical statistical DE testing (DESeq2, edgeR, limma-voom) with ML models — including neural networks, random forests, and variational autoencoders — to better handle the high dimensionality, zero-inflation, and batch effects inherent in RNA-seq count data. The approach improves feature selection, noise reduction, and detection power, especially in large or complex experimental designs.
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. · URL
- 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. · URL
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.