Аналіз збагачення шляхів за допомогою машинного навчання
Аналіз збагачення шляхів за допомогою машинного навчання інтегрує класичні статистичні методи збагачення шляхів — такі як аналіз надмірної представленості (over-representation analysis) або аналіз збагачення наборів генів (gene set enrichment analysis) — з алгоритмами машинного навчання для підвищення чутливості, обробки багатовимірних "оміксних" даних та виявлення нелінійних біологічних закономірностей. Цей підхід виходить за рамки ранжування шляхів лише за p-значенням, використовуючи моделі машинного навчання для зважування внесків генів, розрізнення сигналу від шуму в багатьох зразках та пріоритизації біологічно значущих шляхів у складних наборах даних.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Карта методів
Околиця споріднених методів — виберіть вузол, щоб дослідити.
Джерела
- Chen, E. Y., Tan, C. M., Kou, Y., Duan, Q., Wang, Z., Meirelles, G. V., Clark, N. R., & Ma'ayan, A. (2013). Enrichr: interactive and collaborative HTML5 gene list enrichment analysis tool. BMC Bioinformatics, 14, 128. link ↗
- Way, G. P., & Greene, C. S. (2018). Extracting a biologically relevant latent space from cancer transcriptomes with variational autoencoders. Pacific Symposium on Biocomputing, 23, 80–91. link ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Machine Learning-Assisted Pathway Enrichment Analysis. ScholarGate. https://scholargate.app/uk/bioinformatics/machine-learning-assisted-pathway-enrichment-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.
- Аналіз збагачення генних наборів (GSEA)Біоінформатика↔ порівняти
- Випадковий лісМашинне навчання↔ порівняти
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →