使用K-means和自组织地图的群集基因

该实施例通过检查从经历从发酵到呼吸的代谢偏移来检查基因表达谱中的两种方法来寻找基因表达谱中的模式。

加载数据

加载滤过yeastdata.RNG（'默认'）重复性的％

此示例的可用信息包括酵母基因及其表达水平yeastvalues.在不同的时间。

使用分层群集树的聚类基因

群集= clusterdata（yeastvalues，'maxclust'16，'距离'那'相关性'那'连锁'那'平均数'）;图1）为了c = 1:16子图（4,4，c）;情节（次数，yeastvalues（（群集== c），:)'）;轴紧的结尾suptitle（'配置文件的分层群集'）;

使用主成分分析和K-means以较低的尺寸集群

图（2）[〜，得分，〜，〜，解释Var] = PCA（yeastvalues）;酒吧（解释var）标题（'解释方差：前两个主要成分解释了90％以上）ylabel（'个人电脑'）％保留前两个主要成分Yeastpc =得分（：，1：2）;图（3）[群集，质心] = kmeans（yeastpc，6）;G箭头（Yeastpc（：，1），yeStpc（:,2），群集）传奇（'地点'那'东南'）xlabel（'第一个主要成分'）;ylabel（'第二个主要成分'）;标题（“主要成分散射块与彩色簇”）;％标记每个簇中的一个基因[〜，r] =独特（群集）;文本（yeStpc（r，1），yeastpc（r，2），基因（r），'字体大小'11）;

使用主成分分析和自组织地图以较低尺寸的群集

本节使用自组织地图功能深度学习工具箱™。

NET = NEWSOM（YESTPC'，[4 4]）;净=火车（Net，Yeastpc'）;距离= dist（yeastpc，net.iw {1}'）;[D，Center] = min（距离，[]，2）;％中心给出了群集索引图G箭头（yeStpc（：，1），yeStpc（:,2），中心）;传奇离开;抓住在Plotsom（net.iw {1,1}，net.layers {1} .distans）;抓住离开

此示例探讨了群集基因的两种不同的方法。为了更全面的演示，请访问我们的基因表达谱分析文档。