Байєсівський аналіз одноклітинної РНК-секвенування — імовірнісна транскриптоміка
Байєсівський аналіз одноклітинної РНК-секвенування застосовує імовірнісні генеративні моделі до розріджених, надмірно диспергованих матриць підрахунків, отриманих за допомогою одноклітинного секвенування РНК. Розміщуючи апріорні розподіли над прихованими біологічними змінними — стан клітини, ефекти партії, випадання — фреймворк поширює невизначеність на кожен наступний крок висновування. Такі інструменти, як scVI, SCVI-tools та BayesPrism, реалізують цю парадигму, забезпечуючи принципове кластеризацію клітин, тестування диференціальної експресії та інтеграцію партій, що явно моделює технічний шум, а не ігнорує його.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Карта методів
Околиця споріднених методів — виберіть вузол, щоб дослідити.
Джерела
- 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. DOI: 10.1038/s41592-018-0229-2 ↗
- 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. DOI: 10.1038/s41467-018-07931-2 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Bayesian Probabilistic Analysis of Single-Cell RNA Sequencing Data. ScholarGate. https://scholargate.app/uk/bioinformatics/bayesian-single-cell-rna-seq-analysis
Який метод?
Поставте цей метод поруч із його найближчими спорідненими й читайте їх пліч-о-пліч — бібліотека викладає книги на стіл; вибір за вами.
- Розподіл Діріхле для прихованих тем (LDA)Машинне навчання↔ порівняти
- Регресія негативним біноміальним розподіломЕконометрика↔ порівняти
- Варіаційний автокодувальникГлибоке навчання↔ порівняти
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →