ScholarGate
Asistenti
Process / pipelineBioinformatics / omics

Analiza e shprehjes diferenciale të RNA-seq të asistuar nga mësimi i makinerive

Analiza e shprehjes diferenciale të RNA-seq të asistuar nga mësimi i makinerive plotëson testimin statistikor klasik të DE (DESeq2, edgeR, limma-voom) me modele ML — duke përfshirë rrjetet nervore, pyjet e rastësishme dhe autoenkoderët variacionalë — për të trajtuar më mirë dimensionalitetin e lartë, inflacionin zero dhe efektet e partive (batch effects) të natyrshme në të dhënat e numërimit të RNA-seq. Qasja përmirëson përzgjedhjen e tipareve, reduktimin e zhurmës dhe fuqinë e zbulimit, veçanërisht në dizajne eksperimentale të mëdha ose komplekse.

Hapeni në MethodMindSë shpejtiVideoSë shpejtiShkarko diapozitivat

Lexoni metodën e plotë

Vetëm për anëtarët

Hyni me një llogari falas për ta lexuar këtë seksion.

Hyni

Harta e metodave

Lagjja e metodave të lidhura — zgjidhni një nyje për të eksploruar.

Burimet

  1. 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
  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. link

Si ta citoni këtë faqe

ScholarGate. (2026, June 3). Machine Learning-Assisted RNA-seq Differential Expression Analysis. ScholarGate. https://scholargate.app/sq/bioinformatics/machine-learning-assisted-rna-seq-differential-expression

Cila metodë?

Vendoseni këtë metodë pranë të afërmeve të saj më të ngushta dhe lexojini krah për krah — biblioteka i shtron librat mbi tryezë; zgjedhja është e juaja.

Krahasoni krah për krah

Cituar nga

ScholarGateMachine learning-assisted RNA-seq differential expression (Machine Learning-Assisted RNA-seq Differential Expression Analysis). Marrë më 2026-06-15 nga https://scholargate.app/sq/bioinformatics/machine-learning-assisted-rna-seq-differential-expression · Seti i të dhënave: https://doi.org/10.5281/zenodo.20539026