ScholarGate
Асистент
Process / pipelineBioinformatics / omics

GWAS за допомогою машинного навчання — ML-GWAS

GWAS за допомогою машинного навчання інтегрує класичне повногеномне асоціативне тестування з моделями машинного навчання для покращення виявлення генетичних варіантів, пов'язаних зі складними ознаками. У той час як традиційний GWAS тестує кожен однонуклеотидний поліморфізм (SNP) незалежно, використовуючи лінійну або логістичну регресію, ML-GWAS виявляє нелінійні взаємодії та епістаз, точніше ранжує кандидатні локуси та зменшує кількість хибнопозитивних результатів у великих біобанківських наборах даних. Цей підхід стає все більш помітним, оскільки розміри вибірок та геномна складність перевищують припущення звичайних тестів на основі одного SNP.

Відкрити у MethodMindНезабаромApply, compare, get guidance
Tools & resources
Завантажити слайди
Learn & explore
ВідеоНезабаром

Читати метод повністю

Лише для учасників

Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.

Увійти

Карта методів

Околиця споріднених методів — виберіть вузол, щоб дослідити.

Джерела

  1. Beam, A. L., & Kohane, I. S. (2018). Big data and machine learning in health care. JAMA, 319(13), 1317-1318. link
  2. Szymanski, M., Holland-Letz, T., & Kneib, T. (2022). Machine learning approaches to GWAS: methods, pitfalls, and applications. Briefings in Bioinformatics, 23(3), bbac068. link

Як цитувати цю сторінку

ScholarGate. (2026, June 3). Machine Learning-Assisted Genome-Wide Association Study. ScholarGate. https://scholargate.app/uk/bioinformatics/machine-learning-assisted-genome-wide-association-study

Який метод?

Поставте цей метод поруч із його найближчими спорідненими й читайте їх пліч-о-пліч — бібліотека викладає книги на стіл; вибір за вами.

Порівняти поруч

Згадується в

ScholarGateMachine learning-assisted genome-wide association study (Machine Learning-Assisted Genome-Wide Association Study). Отримано 2026-06-17 з https://scholargate.app/uk/bioinformatics/machine-learning-assisted-genome-wide-association-study · Набір даних: https://doi.org/10.5281/zenodo.20539026