Analiza jednoćelijske RNA-sekvence (scRNA-seq) uz pomoć mašinskog učenja
Analiza jednoćelijske RNA-sekvence (scRNA-seq) uz pomoć mašinskog učenja integriše nadgledane, nenadgledane i duboke generativne modele u standardni scRNA-seq radni tok kako bi se nosila sa jedinstvenim izazovima jednoćelijskih podataka: ekstremna retkost, visoka dimenzionalnost, tehnička buka i efekti serije (batch effects) između eksperimenata. Metode kao što su varijacioni autoenkoderi (scVI), grafičke neuronske mreže i prenosno učenje značajno poboljšavaju identifikaciju tipova ćelija, inferenciju trajektorije i integraciju podataka između studija u poređenju sa isključivo statističkim pristupima.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Mapa metoda
Okruženje srodnih metoda — izaberite čvor da biste istraživali.
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 ↗
- Luecken, M. D., & Theis, F. J. (2019). Current best practices in single-cell RNA-seq analysis: a tutorial. Molecular Systems Biology, 15(6), e8746. link ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Machine Learning-Assisted Single-Cell RNA Sequencing Analysis. ScholarGate. https://scholargate.app/sr/bioinformatics/machine-learning-assisted-single-cell-rna-seq-analysis
Koja metoda?
Postavite ovu metodu pored njoj najbližih srodnika i čitajte ih uporedo — biblioteka polaže knjige na sto; izbor je na vama.
- Analiza obogaćenja genskih skupova (GSEA)Bioinformatika↔ uporedi
- Machine learning-assisted RNA-seq differential expressionBioinformatika↔ uporedi
- Analiza obogaćenosti putaBioinformatika↔ uporedi
- RNA-seq Differential ExpressionBioinformatika↔ uporedi
- Analiza jednoćelijske RNA-sekvenceBioinformatika↔ uporedi
- Analiza diferencijalne ekspresije u jednoj ćelijskoj RNK-sekvenciBioinformatika↔ uporedi
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →