Maskininlärningsassisterad RNA-seq-analys av differentiell genuttryckning
Maskininlärningsassisterad RNA-seq-analys av differentiell genuttryckning (DE) kompletterar klassiska statistiska DE-tester (DESeq2, edgeR, limma-voom) med ML-modeller – inklusive neurala nätverk, random forests och variabla autoenkodrar – för att bättre hantera den höga dimensionaliteten, nollinflation och batch-effekter som är inneboende i RNA-seq-antaldata. Metoden förbättrar funktionsval, brusreducering och detektionsförmåga, särskilt i stora eller komplexa experimentella designer.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Metodkarta
Närområdet av besläktade metoder — välj en nod för att utforska.
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. 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Machine Learning-Assisted RNA-seq Differential Expression Analysis. ScholarGate. https://scholargate.app/sv/bioinformatics/machine-learning-assisted-rna-seq-differential-expression
Vilken metod?
Placera den här metoden bredvid sina närmaste släktingar och läs dem sida vid sida — biblioteket lägger fram böckerna på bordet; valet är ditt.
- Genuppsättningsanrikningsanalys (GSEA)Bioinformatik↔ jämför
- VägberikningsanalysBioinformatik↔ jämför
- Random ForestMaskininlärning↔ jämför
- RNA-seq Differential ExpressionBioinformatik↔ jämför
- Analys av enkelcells-RNA-sekvenseringBioinformatik↔ jämför
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →