การวิเคราะห์ข้อมูล RNA ลำดับเซลล์เดี่ยวด้วยการเรียนรู้ของเครื่อง

การวิเคราะห์ข้อมูล RNA ลำดับเซลล์เดี่ยว (scRNA-seq) ด้วยการเรียนรู้ของเครื่อง (Machine learning-assisted single-cell RNA sequencing - scRNA-seq) เป็นการบูรณาการแบบจำลองการเรียนรู้แบบมีผู้สอน (supervised), แบบไม่มีผู้สอน (unsupervised), และแบบสร้างเชิงลึก (deep generative models) เข้ากับกระบวนการทำงานมาตรฐานของ scRNA-seq เพื่อจัดการกับความท้าทายเฉพาะตัวของข้อมูลเซลล์เดี่ยว ได้แก่ ความเบาบางสุดขีด (extreme sparsity), มิติสูง (high dimensionality), สัญญาณรบกวนทางเทคนิค (technical noise), และผลกระทบจากชุดข้อมูล (batch effects) ที่แตกต่างกันในแต่ละการทดลอง วิธีการต่างๆ เช่น variational autoencoders (scVI), graph neural networks, และ transfer learning ช่วยเพิ่มความแม่นยำในการระบุชนิดเซลล์ (cell-type identification), การอนุมานวิถีการพัฒนา (trajectory inference), และการบูรณาการข้อมูลข้ามการศึกษา (cross-study data integration) ได้อย่างมากเมื่อเทียบกับแนวทางทางสถิติแบบดั้งเดิม