Genomassemblierung: Methoden und Anwendungen
Die Genomassemblierung rekonstruiert vollständige Genome aus Sequenzierungslesungen mithilfe von Rechenalgorithmen.
Genomik Genomweite Assoziationsstudien (GWAS)
GWAS verknüpft genetische Varianten mit Merkmalen und Krankheiten, indem es Genome großer Populationen scannt.
Genomik Metagenomik: Sequenzierung von Umwelt-DNA
Die Metagenomik analysiert genetisches Material direkt aus Umweltproben, um mikrobielle Gemeinschaften zu untersuchen.
Genomik Variantenaufruf: Erkennen genetischer Variation
Durch Variantenaufruf werden SNPs, Indels und Strukturvarianten aus Sequenzierungsdaten im Vergleich zu einem Referenzgenom identifiziert.
Genomik Dimensionsreduktion für die hochdimensionale Biologie
Techniken zur Dimensionsreduktion projizieren hochdimensionale biologische Daten zur Visualisierung und Rauschreduzierung in niedrigere Dimensionen.
Maschinelles Lernen Umgang 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 Lernen Maschinelles 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 Lernen Modellbewertung und -validierung in der Bioinformatik
Die Modellbewertung bewertet die Vorhersageleistung durch Kreuzvalidierung, Bootstrapping und statistische Tests, um zuverlässige biologische Schlussfolgerungen sicherzustellen.
Maschinelles Lernen Überwachtes 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
