机构名称：
¥ 1.0
MLSEQ是用于应用机器学习算法在下一代RNA-sequecting（RNA-SEQ）数据中应用的综合软件包。研究人员出于各种目的呼吁MLSEQ，其中包括疾病结果的预测，最佳特征子集（基因，转录本，其他同工型）的识别以及根据其预测重要性对特征进行分类。使用此软件包，研究人员可以上传其原始的RNA-seq计数数据，预处理数据并执行各种机器学习算法。预处理方法包括DESEQ平均值（TMM）归一化方法的DESEQ中值和修剪平均值，以及每毫米读取计数的对数（log-CPM），方差稳定转换（VST），正规化对数转换（RLOG）和方差模型在观察级别（voy）级别（voy）变换（voy）。归一化方法可用于纠正系统变化。转换方法可用于使离散的RNA-seq数据在层次上更接近微阵列，并进行基于微阵列的层化算法。当前，MLSEQ软件包包含90多个基于微阵列的分类器，包括最近开发的基于VOOM的判别分析分类器。除了这些分类器外，MLSEQ软件包还包括基于离散的分类器，例如Poisson线性判别分析（PLDA）和负二项式线性判别分析（NBLDA）。在预处理数据上，研究人员可以构建分类模型，对这些模型进行参数优化，评估模型性能并比较不同分类模型的性能。此外，可以通过构建模型预测测试样本的类标签。MLSEQ是用户友好，简单，目前是文献中针对RNA-Seq分类开发的最全面的软件包。要开始使用此软件包，用户需要上传其计数数据，其中包含每个样本映射到每个成绩单的读数数。可以从RNA-SEQ实验中获得此类计数数据，也可以从其他测序实验（例如芯片测序或元基因组测序）中获得。提出了此小插图，以指导研究人员如何使用此软件包。
MLSEQ：RNA-Seq数据的机器学习接口
主要关键词
相关文件推荐
