单细胞测序(scRNA-seq) RNA的发明导致生成大量的数据有关的细胞群的具体利益。然而,的一个主要挑战与分析这些数据包括设计有效的机器学习方法,可以处理中存在的噪声和稀疏数据。

对scRNA-seq数据机器学习应用的例子包括:痴呆和阿尔茨海默病的生物学标志物;识别候选药物众多其他神经系统疾病;从scRNA-seq数据识别的细胞类型的各种疾病;噪声滤波的低质量细胞;伪时间重建;和建议scRNA-seq的新的聚类方法。机器学习应用程序背后的成功取决于新的机器学习技术的发展。

邀请不仅研究机器学习这个特殊的问题,而且研究人员感兴趣的潜在应用scRNA-seq数据。两个研究和评论文章相关的新的机器学习方法和应用程序欢迎scRNA-seq数据的解释。

潜在的主题包括但不限于以下:

• 监督式学习
• 无监督学习
• Semi-supervised学习
• 主动学习
• 传输和多任务学习
• 排名
• 深度学习
• 表示学习
• 并行和分布式学习的方法
• 远程学习
• 整体方法
• 降维方法