MuSiC2, hastalığa duyarlı genleri filtrelediğinden dolayı enflamasyon anındaki DEG’leri tespit edemez. Bu eksikliği gidermek için ise CIBERSORTx gibi makine öğrenmesi kullanan tool’lar geliştirilmiştir. Bu tool’un içerdiği modlar sayesinde batch-effect olarak bilinen teknik farklar ortadan kaldırılır ve gen ifade profilleri yüksek çözünürlükte tahmin edilebilir. Ayrıca olasılıksal modelleme olan BayesPrim, genetik kaymaları Bayesian istatistiği ile temizleyerek güçlü bir alternatif sunmaktadır. Genel olarak doku deconvolution’ı için bir çok yöntem vardır. Bu doğrultuda hangi yaklaşımın kullanılacağı veri setine ve çalışmanın amacına göre değişiklik gösterir. Tablo 1’de bu metodların detaylı karşılaştırması mevcuttur.

MuSiC2 cannot detect DEGs during inflammation because it filters out disease-susceptible genes. To overcome this deficiency, tools that use machine learning, such as CIBERSORTx, have been developed. Thanks to the modes included in this tool, technical differences known as batch-effect are eliminated and gene expression profiles can be predicted at high resolution. Additionally, BayesPrim, which is probabilistic modeling, offers a powerful alternative by cleaning genetic shifts with Bayesian statistics. In general, there are many methods for tissue deconvolution. Which approach will be used in this regard varies depending on the data set and the purpose of the study. A detailed comparison of these methods is available in Table 1.