Analiza diferencijalne ekspresije gena pomoću mašinskog učenja asistiranog RNA-seq-om
Analiza diferencijalne ekspresije gena pomoću mašinskog učenja asistiranog RNA-seq-om dopunjuje klasično statističko testiranje diferencijalne ekspresije (DESeq2, edgeR, limma-voom) modelima mašinskog učenja — uključujući neuronske mreže, slučajne šume i varijacione autoenkodere — kako bi se bolje nosili sa visokom dimenzionalnošću, nultom inflacijom i efektima serije (batch effects) koji su inherentni podacima RNA-seq brojanja. Pristup poboljšava selekciju obeležja, smanjenje šuma i snagu detekcije, posebno u velikim ili složenim eksperimentalnim dizajnima.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Machine Learning-Assisted RNA-seq Differential Expression Analysis. ScholarGate. https://scholargate.app/sr/bioinformatics/machine-learning-assisted-rna-seq-differential-expression
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.
- Analiza obogaćenja genskih skupova (GSEA)Bioinformatika↔ compare
- Analiza obogaćenosti putaBioinformatika↔ compare
- Slučajna šumaMašinsko učenje↔ compare
- RNA-seq Differential ExpressionBioinformatika↔ compare
- Analiza jednoćelijske RNA-sekvenceBioinformatika↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →