ML-baserad variantidentifiering — Genomisk variantdetektering baserad på maskininlärning
ML-baserad variantidentifiering använder statistiska inlärningsmodeller — framför allt faltningsneurala nätverk — för att skilja äkta genomiska varianter (SNP, indel) från sekvenseringsartefakter i anpassade kort- eller långläsningsdata. Till skillnad från heuristiska kallare som förlitar sig på handgjorda filter, lär sig ML-baserade metoder direkt från stora märkta dataset med validerade varianter, vilket förbättrar känslighet och specificitet över olika sekvenseringsplattformar och täckningsdjup. Googles DeepVariant (2018) är den banbrytande implementeringen som förde djupinlärning in i den allmänna variantidentifieringen.
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
- Poplin, R., Chang, P. C., Alexander, D., Schwartz, S., Colthurst, T., Ku, A., Newburger, D., Dijamco, J., Nguyen, N., Afshar, P. T., Gross, S. S., Dorfman, L., McLean, C. Y., & DePristo, M. A. (2018). A universal SNP and small-indel variant caller using deep neural networks. Nature Biotechnology, 36(10), 983–987. DOI: 10.1038/nbt.4235 ↗
- Krusche, P., Trigg, L., Boutros, P. C., Mason, C. E., De La Vega, F. M., Moore, B. L., Gonzalez-Porta, M., Eberle, M. A., Tezak, Z., Lababidi, S., Truty, R., Asimenos, G., Funke, B., Fleharty, M., Salit, M., Goldfeder, R. L., & Zook, J. M. (2019). Best practices for benchmarking germline small-variant calls in human genomes. Nature Biotechnology, 37(5), 555–560. DOI: 10.1038/s41587-019-0054-x ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Machine Learning-Assisted Genomic Variant Calling. ScholarGate. https://scholargate.app/sv/bioinformatics/machine-learning-assisted-variant-calling
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →