Metody wnioskowania
Wykorzystuje się tu korelacje, regresję i podejścia oparte na teorii informacji.
Współmiernie również stosowane są modele dynamiczne i bayesowskie.
Zaburzenia i Walidacja
Ekranowanie CRISPR, wiązanie TF i testy z użyciem bioreaktorów służą do potwierdzania granic i dynamiki procesów regulacji genów.
Przykłady
Przykład: GRN dla różnicowania,
Zbieraj szeregi czasowe danych scRNA-sekwencjonowanie.
Wywnioskuj krawędzie z dynamicznych modeli.
Walidacja za pomocą ukierunkowanych zaburzeń.
Często zadawane pytania
Jakie zestawy danych są najlepsze?
Zestawy danych typu szeregi czasowe i dane z zaburzeniami poprawiają wnioskowanie przyczynowo-skutkowe.
Jak uniknąć zmiennych zakłócających (confounders)?
Uwzględnij zmienne partii i ukryte zmienne.
Jak zweryfikować krawędzie sieci?
Wykorzystaj testy ortogonalne i powtórzenia.
Dane single-cell?
Radź sobie z niedopowiedzeniem i stochastycznością, stosując modele dostosowane do tego celu.
Dynamika sieci?
Modeluj przyciązacze i reakcje na bodźce.
Integracja?
Połącz dane ATAC, ChIP i ekspresji.
Skalowalność?
Wykorzystaj wydajne algorytmy i obliczenia równoległe.
Niepewność?
Określ poziom ufności w krawędzie i moduły.
Wizualizacja?
Układy grafowe i wyróżnianie modułów.
Zastosowania?
Inżynieria losów komórkowych i mechanizmy chorób.
Wypróbuj na żywo
Wszystko powyżej działa bezpośrednio w Twojej przeglądarce — otwórz Michaelis-Menten Kinetics i zmieniaj parametry podczas działania. Nic nie jest instalowane ani przesyłane na serwer, cały model działa w jednej karcie.
▶ Otwórz symulację Michaelis-Menten Kinetics