Bayesiansk encells-RNA-sekvensanalys — Probabilistisk transkriptomik
Bayesiansk encells-RNA-sekvensanalys tillämpar probabilistiska generativa modeller på de glesa, överdispersa räknematriser som produceras av encells-RNA-sekvensering. Genom att placera priordistributioner över latenta biologiska variabler – celltillstånd, batcheffekter, dropout – sprider ramverket osäkerhet genom varje efterföljande inferenssteg. Verktyg som scVI, SCVI-tools och BayesPrism implementerar detta paradigm, vilket möjliggör principiell cellklustring, differentialexpressionsanalys och batchintegration som explicit modellerar tekniskt brus snarare än att ignorera det.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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. DOI: 10.1038/s41592-018-0229-2 ↗
- 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. DOI: 10.1038/s41467-018-07931-2 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Bayesian Probabilistic Analysis of Single-Cell RNA Sequencing Data. ScholarGate. https://scholargate.app/sv/bioinformatics/bayesian-single-cell-rna-seq-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.
- Latent Dirichlet Allocation (LDA)Maskininlärning↔ compare
- Negativ binomialregressionEkonometri↔ compare
- Variational AutoencoderDjupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →