机器学习提供了从生物数据中学习的算法，以做出预测并发现基因组学、蛋白质组学等领域的模式。
模型评估通过交叉验证、引导和统计测试来评估预测性能，以确保可靠的生物学结论。
监督学习在标记数据上训练模型，以对生物样本进行分类、预测疾病结果并注释基因组元素。
GC-MS 代谢组学将气相色谱法与质谱法相结合，用于分析挥发性和衍生代谢物。
LC-MS 代谢组学将液相色谱分离与质谱检测相结合，以实现广泛的代谢物覆盖。
脂质组学系统地识别和量化细胞脂质，以了解它们在膜结构、信号传导和能量储存中的作用。
代谢途径分析将代谢组学数据映射到生化途径上，以识别扰动的过程和调节节点。
代谢分析全面测量生物系统中的小分子代谢物，以了解细胞代谢。
代谢物鉴定使用质谱和核磁共振数据来确定未知代谢物的化学结构。
NMR 代谢组学使用核磁共振波谱对代谢物进行定量、非破坏性分析。
靶向代谢组学使用标准曲线和内标以高特异性量化预定义的代谢物组。
贝叶斯系统发育学使用马尔可夫链蒙特卡罗采样来估计树拓扑和参数的后验概率。
显示 253 到 264 的 847 结果
