Genomassemblierung: Methoden und Anwendungen
Die Genomassemblierung rekonstruiert vollständige Genome aus Sequenzierungslesungen mithilfe von Rechenalgorithmen.
GenomikGenomweite Assoziationsstudien (GWAS)
GWAS verknüpft genetische Varianten mit Merkmalen und Krankheiten, indem es Genome großer Populationen scannt.
GenomikMetagenomik: Sequenzierung von Umwelt-DNA
Die Metagenomik analysiert genetisches Material direkt aus Umweltproben, um mikrobielle Gemeinschaften zu untersuchen.
GenomikVariantenaufruf: Erkennen genetischer Variation
Durch Variantenaufruf werden SNPs, Indels und Strukturvarianten aus Sequenzierungsdaten im Vergleich zu einem Referenzgenom identifiziert.
GenomikDimensionsreduktion für die hochdimensionale Biologie
Techniken zur Dimensionsreduktion projizieren hochdimensionale biologische Daten zur Visualisierung und Rauschreduzierung in niedrigere Dimensionen.
Maschinelles LernenUmgang mit unausgeglichenen Daten in der biomedizinischen Forschung
Unausgewogene Datenmethoden bewältigen die Herausforderung seltener Klassen in biomedizinischen Datensätzen wie der Krankheitsdiagnose und der Vorhersage von Arzneimittelwirkungen.
Maschinelles LernenMaschinelles Lernen in der Bioinformatik: Eine Einführung
Maschinelles Lernen stellt Algorithmen bereit, die aus biologischen Daten lernen, um Vorhersagen zu treffen und Muster in der Genomik, Proteomik und darüber hinaus zu entdecken.
Maschinelles LernenModellbewertung und -validierung in der Bioinformatik
Die Modellbewertung bewertet die Vorhersageleistung durch Kreuzvalidierung, Bootstrapping und statistische Tests, um zuverlässige biologische Schlussfolgerungen sicherzustellen.
Maschinelles LernenÜberwachtes Lernen zur biologischen Klassifizierung
Überwachtes Lernen trainiert Modelle anhand gekennzeichneter Daten, um biologische Proben zu klassifizieren, Krankheitsausgänge vorherzusagen und genomische Elemente zu kommentieren.
Maschinelles Lernen