Startseite
English
Erweiterte Suche
Durchblättern nach ...
Publikationen im Überblick
Ansprechpartner
Hilfe
 |
|
möglich sobald bei der ZB eingereicht worden ist.
Incorporation of prior knowledge to improve gene regulatory network inference from single-cell transcriptomics data.
Verbesserte Inferenz genregulatorischer Netzwerke aus Einzelzell-Transkriptomikdaten durch Einbindung vorhandenen Wissens.
München, Technische Universität, Naturwissenschaften, Diss., 2025, 92 S.
Gene regulatory networks (GRNs) reveal cell functions and guide disease modeling. However, inferring GRNs from scRNA‐Seq data yields moderate performance when evaluated as a binary classification problem. This evaluation ignores network topology, necessitating metrics that assess both edge accuracy and global structure. I benchmark the topology of inferred GRNs, identify algorithmic biases, and review prior knowledge integration for improved inference performance.
Genregulatorische Netzwerke (GRNs) enthüllen Zellfunktionen und Krankheitsmodelle. Doch liefert die Vorhersage von GRNs aus scRNA‐Seq-Daten als binäres Klassifikationsproblem oft mäßige Ergebnisse, weil die Netzwerktopologie unberücksichtigt bleibt. Es bedarf Metriken, die zusätzlich die globale Struktur berücksichtigen. Ich analysiere GRN-Topologien, identifiziere algorithmische Verzerrungen und diskutiere Verbesserungen durch Vorwissen.
Weitere Metriken?
Zusatzinfos bearbeiten
[➜Einloggen]
Publikationstyp
Sonstiges: Hochschulschrift
Typ der Hochschulschrift
Dissertationsschrift
Quellenangaben
Seiten: 92 S.
Hochschule
Technische Universität
Hochschulort
München
Fakultät
Naturwissenschaften
Institut(e)
Institute of Epigenetics and Stem Cells (IES)