Аналіз диференційної експресії РНК-сек з використанням машинного навчання
Аналіз диференційної експресії РНК-сек з використанням машинного навчання доповнює класичне статистичне тестування диференційної експресії (DESeq2, edgeR, limma-voom) моделями машинного навчання — включаючи нейронні мережі, випадкові ліси та варіаційні автокодувальники — для кращої обробки високої розмірності, надлишкової кількості нулів та ефектів пакету, властивих даним РНК-сек. Цей підхід покращує відбір ознак, зменшення шуму та потужність виявлення, особливо у великих або складних експериментальних дизайнах.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
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. link ↗
- 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. link ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Machine Learning-Assisted RNA-seq Differential Expression Analysis. ScholarGate. https://scholargate.app/uk/bioinformatics/machine-learning-assisted-rna-seq-differential-expression
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Аналіз збагачення генних наборів (GSEA)Біоінформатика↔ compare
- Аналіз збагачення шляхівБіоінформатика↔ compare
- Випадковий лісМашинне навчання↔ compare
- Аналіз диференційної експресії генів методом RNA-seqБіоінформатика↔ compare
- Аналіз одноклітинної РНК-секвенціїБіоінформатика↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →