ScholarGate
Asistenti
Process / pipelineBioinformatics / omics

Analiza eQTL e Asistuar nga Mësimi Makinerik — Hartëzimi i Lokacioneve të Cilësive të Ekspresionit bazuar në ML

Analiza eQTL e asistuar nga mësimi makinerik integron modele të mësimit të mbikëqyrur — duke filluar nga regresioni elastic-net deri te rrjetet e thella neurale — në kuadrin klasik eQTL për të parashikuar dhe hartëzuar varianëet gjenetike që rregullojnë shprehjen e gjeneve. Duke trajnuar modele parashikuese në panele referencë (p.sh., GTEx), qasja mundëson imputimin e shprehjes së gjeneve në koforta që mungojnë të dhënat RNA, duke rritur ndjeshëm fuqinë statistikore dhe duke mundësuar gjeneralizimin ndër-indor.

Hapeni në MethodMindSë shpejtiVideoSë shpejtiDownload slides

Lexoni metodën e plotë

Vetëm për anëtarët

Hyni me një llogari falas për ta lexuar këtë seksion.

Hyni

Method map

The neighbourhood of related methods — select a node to explore.

Burimet

  1. Gamazon, E. R., Wheeler, H. E., Shah, K. P., Mozaffari, S. V., Aquino-Michaels, K., Carroll, R. J., ... & Im, H. K. (2015). A gene-based association method for mapping traits using reference transcriptome data. Nature Genetics, 47(9), 1091-1098. link
  2. Zhou, J., & Troyanskaya, O. G. (2015). Predicting effects of noncoding variants with deep learning-based sequence model. Nature Methods, 12(10), 931-934. link

Si ta citoni këtë faqe

ScholarGate. (2026, June 3). Machine Learning-Assisted Expression Quantitative Trait Loci Analysis. ScholarGate. https://scholargate.app/sq/bioinformatics/machine-learning-assisted-eqtl-analysis

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.

Compare side by side
ScholarGateMachine learning-assisted expression quantitative trait loci analysis (Machine Learning-Assisted Expression Quantitative Trait Loci Analysis). Marrë më 2026-06-15 nga https://scholargate.app/sq/bioinformatics/machine-learning-assisted-eqtl-analysis · Seti i të dhënave: https://doi.org/10.5281/zenodo.20539026