Machine learning-assisted variant calling
Machine learning-assisted variant calling uses statistical learning models — most notably convolutional neural networks — to distinguish genuine genomic variants (SNPs, indels) from sequencing artifacts in aligned short- or long-read data. Unlike heuristic callers that rely on hand-crafted filters, ML-based approaches learn directly from large labeled datasets of validated variants, improving sensitivity and specificity across diverse sequencing platforms and coverage depths. Google's DeepVariant (2018) is the landmark implementation that brought deep learning into mainstream variant calling.
Kaynak kayıt
Alıntılar, yöntemin kaynak kaydından harfi harfine kopyalanmıştır. Bunlardan herhangi bir düzeyde doğrulama çıkarımı yapılmamıştır.
- 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
Derlenmiş iddialar
Her biri kendi değerlendirmesiyle birlikte kanıt defterine kaydedilmiş iddialar.
Bu görünüm, defterde hiç iddia olmadığında bir iddia değerlendirmesi icat etmez.
İlgili yöntemler
Yöntem grafiğinden oluşturulmuştur ve makine tarafından önerilen ilişkiler olarak gösterilir — herhangi bir kanıt iddiası çıkarımı yapılmamıştır.
Oluşturulan ilişki grafiğinde bu yöntem için giden bir ilişki yok.