PuSH - Publication Server of Helmholtz Zentrum München

Stock, M.

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.
Additional Metrics?
[➜Log in]
Edit extra informations Login
Publication type Other: Thesis
Thesis type Doctoral thesis
Quellenangaben Volume: , Issue: , Pages: 92 S. Article Number: , Supplement: ,
University Technische Universität
University place München
Faculty Naturwissenschaften
Institute(s) Institute of Epigenetics and Stem Cells (IES)