ScholarGate
助手
Process / pipelineBioinformatics / omics

机器学习辅助RNA测序差异表达分析

机器学习辅助RNA测序差异表达分析通过引入神经网络、随机森林和变分自编码器等机器学习模型，增强了经典的统计学差异表达检验（DESeq2、edgeR、limma-voom），以更好地处理RNA测序计数数据固有的高维度、零膨胀和批次效应。该方法提高了特征选择、降噪和检测能力，尤其是在大型或复杂实验设计中。

在 MethodMind 中打开即将推出视频即将推出下载幻灯片

阅读完整方法

仅限会员

使用免费账户登录即可阅读本节。

登录

方法图谱

相关方法的邻域——选择一个节点以展开探索。

机器学习辅助RNA测序差异表达分析
基因集富集分析 (GSEA)通路富集分析随机森林RNA-seq差异表达Single-cell RNA-seq anal…机器学习辅助的单细胞RNA测序分析

来源

  1. 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 ↗
  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. link ↗

如何引用本页

ScholarGate. (2026, June 3). Machine Learning-Assisted RNA-seq Differential Expression Analysis. ScholarGate. https://scholargate.app/zh/bioinformatics/machine-learning-assisted-rna-seq-differential-expression

选用哪种方法？

将本方法与其最相近的同类并置，并排研读——本馆将书籍铺陈于案上，取舍则由您定夺。

并排比较 →

被引用于

机器学习辅助的单细胞RNA测序分析

发现本页有问题？报告或提出修改建议 →

ScholarGate — Machine learning-assisted RNA-seq differential expression (Machine Learning-Assisted RNA-seq Differential Expression Analysis). 于 2026-06-15 检索自 https://scholargate.app/zh/bioinformatics/machine-learning-assisted-rna-seq-differential-expression · 数据集： https://doi.org/10.5281/zenodo.20539026