Diferenciálna expresná analýza RNA-seq s podporou strojového učenia
Diferenciálna expresná analýza RNA-seq s podporou strojového učenia rozširuje klasické štatistické testovanie diferenciálnej expresie (DE) (DESeq2, edgeR, limma-voom) o modely strojového učenia (ML) – vrátane neurónových sietí, náhodných lesov a variačných autoenkodérov – s cieľom lepšie spracovať vysokú dimenzionalitu, nulovú infláciu a dávkové efekty inherentné v dátach počtu RNA-seq. Tento prístup zlepšuje výber znakov, redukciu šumu a detekčnú silu, najmä pri rozsiahlych alebo komplexných experimentálnych návrhoch.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Mapa metód
Okolie príbuzných metód — vyberte uzol na preskúmanie.
Zdroje
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Machine Learning-Assisted RNA-seq Differential Expression Analysis. ScholarGate. https://scholargate.app/sk/bioinformatics/machine-learning-assisted-rna-seq-differential-expression
Ktorá metóda?
Postavte túto metódu vedľa jej najbližších príbuzných a čítajte ich vedľa seba — knižnica vám knihy položí na stôl; voľba je na vás.
- Analýza obohatenia genových súborov (GSEA)Bioinformatika↔ porovnať
- Analýza obohatenia signálnych dráhBioinformatika↔ porovnať
- Náhodný lesStrojové učenie↔ porovnať
- Analýza diferenciálnej expresie RNA-seqBioinformatika↔ porovnať
- Analýza jednobunkovej RNA-sekvenčnej analýzyBioinformatika↔ porovnať
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →