Maskininlärningsassisterad analys av enkelcells-RNA-sekvensering
Maskininlärningsassisterad analys av enkelcells-RNA-sekvensering (scRNA-seq) integrerar övervakade, oövervakade och djupa generativa modeller i standardarbetsflödet för scRNA-seq för att hantera de unika utmaningarna med enkelcelldata: extrem sparsamhet, hög dimensionalitet, tekniskt brus och batch-effekter mellan experiment. Metoder som variationella autoenkodrar (scVI), grafneurala nätverk och transferinlärning förbättrar signifikant identifiering av celltyper, baninferens och integration av data mellan studier jämfört med rent statistiska metoder.
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 ↗
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Machine Learning-Assisted Single-Cell RNA Sequencing Analysis. ScholarGate. https://scholargate.app/sv/bioinformatics/machine-learning-assisted-single-cell-rna-seq-analysis
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
- Maskininlärningsassisterad RNA-seq-analys av differentiell genuttryckningBioinformatik↔ jämför
- VägberikningsanalysBioinformatik↔ jämför
- RNA-seq Differential ExpressionBioinformatik↔ jämför
- Analys av enkelcells-RNA-sekvenseringBioinformatik↔ jämför
- Analys av differentiell genexpression i enkelcells-RNA-sekvenseringBioinformatik↔ jämför
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →