基于基因表达谱的肿瘤特征基因提取算法MATLAB源代码

   在基因表达谱测量的成千上万个基因中，仅有少量基因包含了肿瘤信息，大部分基因与肿瘤并不相关，如何从浩瀚的基因表达谱数据中识别并提取肿瘤基因，是特征基因提取要解决的问题。这里共给出了六种特征基因提取算法。

%% 方法一：Euclidean Distance

ED=EuclideanDistance(X,Y);

%   GreenSim团队——专业级算法设计&代写程序

%   欢迎访问GreenSim团队主页→http://blog.sina.com.cn/greensim

%选取40个特征基因

[ED,J]=sort(ED,1,'ascend');%对判决向量进行排序

POS=J(1:40);

disp('方法一：Euclidean Distance   选取的40个特征基因的序号为');

disp(POS');

figure

X1=X(POS,:);

LX1=size(X1,1);

FLAG=zeros(LX1,1);

for i=1:LX1

      T=X1(i,:);

      FLAG(i)=mean(T(1:67));

end

[FLAG,JJ]=sort(FLAG,1,'descend');

pcolor(X1(JJ,:));

title('Euclidean Distance','FontName','Times New Roman','FontSize',10);

%% 方法二：Pearson's Correlation Coefficient

PR=Pearson(X,Y);

%   GreenSim团队——专业级算法设计&代写程序

%   欢迎访问GreenSim团队主页→http://blog.sina.com.cn/greensim

%选取40个特征基因

[PR,J]=sort(PR,1,'ascend');%对判决向量进行排序

POS=J(1:40);

disp('方法二：Pearson Correlation Coefficient   选取的40个特征基因的序号为');

disp(POS');

figure

X1=X(POS,:);

LX1=size(X1,1);

FLAG=zeros(LX1,1);

for i=1:LX1

      T=X1(i,:);

      FLAG(i)=mean(T(1:67));

end

[FLAG,JJ]=sort(FLAG,1,'descend');

pcolor(X1(JJ,:));

title('Pearson Correlation Coefficient','FontName','Times New Roman','FontSize',10);

%% 方法三：Analysis of Variance

FR=VarianceAnalysis(X,Y);

%   GreenSim团队——专业级算法设计&代写程序

%   欢迎访问GreenSim团队主页→http://blog.sina.com.cn/greensim

%选取40个特征基因

[FR,J]=sort(FR,1,'descend');%对判决向量进行排序

POS=J(1:40);

disp('方法三：Analysis of Variance   选取的40个特征基因的序号为');

disp(POS');

figure

X1=X(POS,:);

LX1=size(X1,1);

FLAG=zeros(LX1,1);

for i=1:LX1

      T=X1(i,:);

      FLAG(i)=mean(T(1:67));

end

[FLAG,JJ]=sort(FLAG,1,'descend');

pcolor(X1(JJ,:));

title('Analysis of Variance','FontName','Times New Roman','FontSize',10);

%% 方法四：Signal to Noise Ratio

SNR=SignalNoiseRatio(X,Y);

%   GreenSim团队——专业级算法设计&代写程序

%   欢迎访问GreenSim团队主页→http://blog.sina.com.cn/greensim

%选取40个特征基因

[SNR,J]=sort(SNR,1,'descend');%对判决向量进行排序

POS=J(1:40);

disp('方法四：Signal to Noise Ratio   选取的40个特征基因的序号为');

disp(POS');

figure

X1=X(POS,:);

LX1=size(X1,1);

FLAG=zeros(LX1,1);

for i=1:LX1

      T=X1(i,:);

      FLAG(i)=mean(T(1:67));

end

[FLAG,JJ]=sort(FLAG,1,'descend');

pcolor(X1(JJ,:));

title('Signal to Noise Ratio','FontName','Times New Roman','FontSize',10);

%% 方法五：t-test

TV=Ttest(X,Y);

%   GreenSim团队——专业级算法设计&代写程序

%   欢迎访问GreenSim团队主页→http://blog.sina.com.cn/greensim

%选取40个特征基因

[TV,J]=sort(TV,1,'descend');%对判决向量进行排序

POS=J(1:40);

disp('方法五：t-test   选取的40个特征基因的序号为');

disp(POS');

figure

X1=X(POS,:);

LX1=size(X1,1);

FLAG=zeros(LX1,1);

for i=1:LX1

      T=X1(i,:);

      FLAG(i)=mean(T(1:67));

end

[FLAG,JJ]=sort(FLAG,1,'descend');

pcolor(X1(JJ,:));

title('t-test','FontName','Times New Roman','FontSize',10);

%% 方法六：Correlation-based Selection

CR=Correlation(X,Y);

%   GreenSim团队——专业级算法设计&代写程序

%   欢迎访问GreenSim团队主页→http://blog.sina.com.cn/greensim

%选取40个特征基因

[CR,J]=sort(CR,1,'descend');%对判决向量进行排序

POS=J(1:40);

disp('方法六：Correlation-based Selection   选取的40个特征基因的序号为');

disp(POS');

figure

X1=X(POS,:);

LX1=size(X1,1);

FLAG=zeros(LX1,1);

for i=1:LX1

      T=X1(i,:);

      FLAG(i)=mean(T(1:67));

end

[FLAG,JJ]=sort(FLAG,1,'descend');

pcolor(X1(JJ,:));

title('Correlation-based Selection','FontName','Times New Roman','FontSize',10);

转载自http://blog.sina.com.cn/s/blog_4b425443010190o3.html