基因间的相关性

已于 2024-06-14 12:52:06 修改
阅读量98 收藏 1
点赞数 1
文章标签： android 数据库
于 2024-03-22 18:46:59 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_47769899/article/details/136933291
版权

好记性不如烂笔头

年龄越大越明显

还是要留下一些痕迹

1. 装载R包以及配置环境

options("repos"=c(CRAN="https://mirrors.tuna.tsinghua.edu.cn/CRAN/"))
options(BioC_mirror="https://mirrors.tuna.tsinghua.edu.cn/bioconductor")
if(!requireNamespace("tidyr",quietly = TRUE)) install.packages("tidyr",update = F,ask = F)
if(!requireNamespace("dplyr",quietly = TRUE)) install.packages("dplyr",update = F,ask = F)
if(!requireNamespace("ggplot2",quietly = TRUE)) install.packages("ggplot2",update = F,ask = F)
if(!requireNamespace("data.table",quietly = TRUE)) install.packages("data.table",update = F,ask = F)
if(!requireNamespace("ggrepel",quietly = TRUE)) install.packages("ggrepel",update = F,ask = F)
if(!requireNamespace("pheatmap",quietly = TRUE)) install.packages("pheatmap",update = F,ask = F)
if(!requireNamespace("ggfortify",quietly = TRUE)) install.packages("ggfortify",update = F,ask = F)
if(!requireNamespace("ggpubr",quietly = TRUE)) install.packages("ggpubr",update = F,ask = F)
if(!requireNamespace("ggsignif",quietly = TRUE)) install.packages("ggsignif",update = F,ask = F)
if(!requireNamespace("tibble",quietly = TRUE)) install.packages("tibble",update = F,ask = F)
if(!requireNamespace("cowplot",quietly = TRUE)) install.packages("cowplot",update = F,ask = F)
if(!requireNamespace("future.apply",quietly = TRUE)) install.packages("future.apply",update = F,ask = F)
if(!requireNamespace("BiocManager",quietly = TRUE)) install.packages("BiocManager",update = F,ask = F)
if(!requireNamespace("GSEABase",quietly = TRUE)) BiocManager::install("GSEABase",update = F,ask = F)
if(!requireNamespace("GSVA",quietly = TRUE)) BiocManager::install("GSVA",update = F,ask = F)

2. 寻找数据

可以从TCGA原网下载，

可以从整理好的数据集直接下载UCSC Xena，###  http://xena.ucsc.edu/

直接链接###UCSC Xena (xenabrowser.net)

需要下载基因表达数据以及临床信息数据

其他数据下载类似

3. 处理数据

### 处理TCGA数据#设置工作目录

setwd("/your/desired/directory/path")
rm(list = ls())  #清空既往数据
dd <- data.table::fread("data/tcga_RSEM_gene_tpm",data.table = F)
test <- dd[1:10,1:10] #测试数据用于查看数据内容

### 清洁数据
### 1.基因注释 2.行列转置 3.增加分组
### 临床信息
clin <- data.table::fread("Survival_SupplementalTable_S1_20171025_xena_sp",data.table = F)
colnames(clin)[2:3] <- c("TCGA_id","type")
### 提取交集
index <- clin$sample %in% colnames(dd)
clin <- clin[index,1:3]

dd <- dd[,c("sample",clin$sample)]
colnames(dd)[1] <- "gene_id"

# 探针转换
# 下载后先解压gencode.v23.annotation.gtf.gz
# 读入需要时间，耐心等待
# gtf1 <- rtracklayer::import('gencode.v23.annotation.gtf')
# gtf_df <- as.data.frame(gtf1)
# save(gtf_df,file = "resource/gtf_df.Rdata")

load(file = "resource/gtf_df.Rdata")
### 提取编码mRNA,基因注释,行列转置 
library(dplyr)
library(tibble)
#1mRNA_exprSet <- gtf_df %>% 
  #筛选gene,和编码指标
  filter(type=="gene",gene_type=="protein_coding") %>%
  #选取两列
  dplyr::select(c(gene_name,gene_id)) %>% 
  #和表达量数据合并
  inner_join(dd,by ="gene_id") %>% 
  #去除一列
  dplyr::select(-gene_id) %>% 
  #去重
  distinct(gene_name,.keep_all = T) %>% 
  #列名变成行名
  column_to_rownames("gene_name") %>% 
  #转置
  t() %>% 
  #转为数据框
  as.data.frame() %>% 
  #行名变成列名
  rownames_to_column("sample")

#2稍做修改
mRNA_exprSet <- gtf_df %>% 
  #筛选gene,和编码指标
  #filter(type=="gene",gene_type=="protein_coding") %>%
  #选取两列
  dplyr::select(c(gene,gene_id)) %>% 
  #和表达量数据合并
  inner_join(dd,by ="gene_id") %>% 
  #去除一列
  dplyr::select(-gene_id) %>% 
  #去重
  distinct(gene,.keep_all = T) %>% 
  #列名变成行名
  column_to_rownames("gene") %>% 
  #转置
  t() %>% 
  #转为数据框
  as.data.frame() %>% 
  #行名变成列名
  rownames_to_column("sample")
save(mRNA_exprSet,file = "mRNA_exprSet_Pan_cancer.Rdata")
load(file = "mRNA_exprSet_Pan_cancer.Rdata")

test <- mRNA_exprSet[1:10,1:10]

### 添加分组信息，查看分组
### https://mp.weixin.qq.com/s/Ph1O6V5RkxkyrKpVmB5ODA
table(substring(mRNA_exprSet$sample,14,15))

mRNA_exprSet <- cbind(clin,subtype=substring(mRNA_exprSet$sample,14,15),mRNA_exprSet[,-1])
test <- mRNA_exprSet[1:10,1:10]

### 去除癌旁组织和重复组织
tcga_mRNA_exprSet <- mRNA_exprSet %>% 
  filter(subtype != "11") %>% 
  distinct(sample,.keep_all = T) %>% 
  as.data.frame()

save(tcga_mRNA_exprSet,file = "output/tcga_mRNA_exprSet.Rdata")

##########################################################################################
### 批量相关性分析
rm(list=ls())
load(file = "output/tcga_mRNA_exprSet.Rdata")
data <- tcga_mRNA_exprSet
test <- data[1:10,1:10]

### 测试数据和相关性分析的方法
gene1 <- as.numeric(data[,"METTL3"])
gene2 <- as.numeric(data[,"SETD2"])
dd  <- cor.test(gene1,gene2,method="spearman")
dd$estimate
dd$p.value

### 写一个函数批量计算每个癌症中的相关性系数
### 输入两个基因名称和清洁格式的数据框
splitdata <- split(data,data$type)

getpancordata <- function(gene1,gene2,splitdata,method="spearman"){
  do.call(rbind,lapply(splitdata, function(x){
    dd  <- cor.test(as.numeric(x[,gene1]),as.numeric(x[,gene2]),method=method)
    data.frame(type=x$type[1],cor=dd$estimate,p.value=dd$p.value,method = method)
  }))
}

plotdf <- getpancordata("WTAP","SETD2",splitdata)

得到相关性开始画图

### 画图
library(ggplot2)
ggplot(plotdf,aes(-log10(p.value),cor))+
  geom_point()

library(ggplot2)
options(scipen = 2)
ggplot(data = plotdf,aes(-log10(p.value),cor))+
  ## 画点
  geom_point(size=6,fill="purple",shape = 21,colour="black",stroke = 2)+
  ## 改变y轴
  scale_y_continuous(expand = c(0,0),limits = c(-1.1,1.1),breaks = seq(-1,1,0.2))+
  ## 改变x轴
  scale_x_log10(limits = c(0.01, 1000),breaks = c(0.01,0.1,10,1000))+
  ## 加横线
  geom_hline(yintercept = 0,size=1.5)+
  ## 加竖线
  geom_vline(xintercept = -log10(0.05),size=1.5)+
  ## 坐标轴
  labs(x=bquote(-log[10]~italic("P")),y=paste0(plotdf$method[1]," correlation (r)"))+
  theme(axis.title=element_text(size=20),
        axis.text = element_text(face = "bold",size = 16),
        axis.ticks.length=unit(.4, "cm"),
        axis.ticks = element_line(colour = "black", size = 1),
        panel.background = element_blank(),
        panel.grid.major = element_blank(), 
        panel.grid.minor = element_blank(),
        axis.line = element_line(colour = "black"),
        panel.border = element_rect(colour = "black", fill=NA, size=1.5),
        plot.margin = margin(1, 1, 1, 1, "cm"))

## 加载R包
## https://github.com/tomwenseleers/export
library(export)
## 导成PPT可编辑的格式
graph2ppt(file="output/dotplot.pptx")
## 导成AI可以编辑的状态
graph2eps(file="output/dotplot2.eps")
###################################################################################
####看单个癌症中的相关性
library(dplyr)
library(ggplot2)
library(ggpubr)
## 选取单个癌症的数据，比如BRCA
dd <- data %>% 
  filter(type=="BRCA")

ggplot(dd,aes(METTL3,SETD2))+
  # 打点
  geom_point(col="#984ea3")+
  # 加线
  geom_smooth(method=lm, se=T,na.rm=T, fullrange=T,size=2,col="#fdc086")+
  # 加边线
  geom_rug(col="#7fc97f")+
  # 相关性系数
  stat_cor(method = "pearson",digits = 3,size=5)+
  # 修饰
  theme_bw()+
  theme(plot.title = element_text(hjust = 0.5),
        plot.margin = margin(1, 1, 1, 1, "cm"))

###############################################################################
## 可以写成函数,方便操作
sincorplot <- function(a,b,type="ALL",method = "spearman",title=T,source = "TCGA"){
  if(type=="ALL"){
    plot_df <- data[,c(a,b)]
    type = "Data"
  }else{
    plot_df <- data[data$type %in% type,c(a,b)]
  }
  
  if(title){title = paste0(type," from ",source)}else{title=NULL}
  
  names(plot_df) <- c("geneA","geneB")
  
  ggplot(plot_df,aes(geneA,geneB))+
    geom_point(col="#984ea3")+
    geom_smooth(method=lm, se=T,na.rm=T, fullrange=T,size=2,col="#fdc086")+
    geom_rug(col="#7fc97f")+
    stat_cor(method = method,digits = 3,size=5)+
    xlab(a)+
    ylab(b)+
    labs(x=a,y=b,title = title)+
    theme_bw()+
    theme(plot.margin = margin(1, 1, 1, 1, "cm"))
}

## 前提是，数据框已经存在，而且名称是data
## 测试一下
sincorplot("METTL3","SETD2")
sincorplot("METTL3","SETD2","BRCA")
sincorplot("FOXA1","ESR1","BRCA")
sincorplot("SAMD11","ISG15","OV",title=F)

## 加载R包
library(export)
## 导成PPT可编辑的格式
graph2ppt(file="corplot.pptx")

##################################
rm(list = ls())
load(file = "output/tcga_mRNA_exprSet.Rdata")
source("resource/GTBA_functions.R")
data <- tcga_mRNA_exprSet
splitdata <- split(data,data$type)
gene1 ="METTL3"
gene2 = "FOXA1"
plotdf <- getpancordata(gene1,gene2,data=splitdata,method = "spearman")

pancorplot(plotdf)
pancorplot(plotdf,label = "all")
pancorplot(plotdf,label = "none")
pancorplot(plotdf,label = "sig")
pancorplot(plotdf,label = "BRCA")
pancorplot(plotdf,label = c("BRCA","THYM"))
pancorplot(plotdf,label = c("BRCA","THYM"),legend.position="none")
## shape 21-24
## shape =21,圆形
pancorplot(plotdf,label = "all",shape =21)
## shape =22,正方形
pancorplot(plotdf,label = "all",shape =22)
## shape =24,三角形
pancorplot(plotdf,label = "all",shape =24)

### 单样本
sincorplot("METTL3","SETD2",source = "TCGA")
sincorplot("METTL3","SETD2","BRCA",source = "TCGA")
sincorplot("FOXA1","ESR1","BRCA",source = "TCGA")
sincorplot("SAMD11","ISG15","OV",source = "TCGA")

GTEx数据

#### GTEX的数据
rm(list = ls())
dd <- data.table::fread("data/gtex_RSEM_gene_tpm",data.table = F)
test <- dd[1:100,1:100]

### 清洁数据三部曲

### 临床信息
clin <- data.table::fread("data/GTEX_phenotype",data.table = F)

colnames(clin)[c(1,3)] <- c("sample","type")
index <- clin$sample %in% colnames(dd)

clin <- clin[index,c(1,3)]

dd <- dd[,c("sample",clin$sample)]
colnames(dd)[1] <- "gene_id"
# 探针转换
# 下载后先解压gencode.v23.annotation.gtf.gz
# 读入需要时间，耐心等待
# gtf1 <- rtracklayer::import('gencode.v23.annotation.gtf')
# gtf_df <- as.data.frame(gtf1)
# save(gtf_df,file = "resource/gtf_df.Rdata")

load(file = "resource/gtf_df.Rdata")

library(dplyr)
library(tibble)
## 提取mRNA
mRNA_exprSet <- gtf_df %>% 
  filter(type=="gene",gene_type=="protein_coding") %>%
  dplyr::select(c(gene_name,gene_id)) %>% 
  inner_join(dd,by ="gene_id") %>% 
  dplyr::select(-gene_id) %>% 
  distinct(gene_name,.keep_all = T) %>% 
  column_to_rownames("gene_name") %>% 
  t() %>% 
  as.data.frame() %>% 
  rownames_to_column("sample")

test <- mRNA_exprSet[1:10,1:10]
mRNA_exprSet <- cbind(clin,mRNA_exprSet[,-1])
test <- mRNA_exprSet[1:10,1:10]

### 去除无信息组织
table(mRNA_exprSet$type)
gtex_mRNA_exprSet <- mRNA_exprSet %>% 
  filter(type != "<not provided>") %>% 
  as.data.frame()

test <- gtex_mRNA_exprSet[1:10,1:10]
save(gtex_mRNA_exprSet,file = "output/gtex_mRNA_exprSet.Rdata")

##########################################################################################
rm(list = ls())
load(file = "output/gtex_mRNA_exprSet.Rdata")
source("resource/GTBA_functions.R")
data <- gtex_mRNA_exprSet
splitdata <- split(data,data$type)
gene1 ="METTL3"
gene2 = "SETD2"
plotdf <- getpancordata(gene1,gene2,data=splitdata,method = "spearman")

pancorplot(plotdf)
pancorplot(plotdf,label = "all")
pancorplot(plotdf,label = "none")
pancorplot(plotdf,label = "sig")
pancorplot(plotdf,label = "Brain")

## shape 21-24
pancorplot(plotdf,label = "all",shape =21)
pancorplot(plotdf,label = "all",shape =22)
pancorplot(plotdf,label = "all",shape =24)

### 单样本
sincorplot("METTL3","SETD2",data = gtex_mRNA_exprSet,source = "GTEX")
table(data$type)
sincorplot("METTL3","SETD2","Brain",data = gtex_mRNA_exprSet,source = "GTEX")
sincorplot("METTL3","SETD2","Small Intestine",data = gtex_mRNA_exprSet,source = "GTEX")

CCLE

### CCLE数据处理
### https://depmap.org/portal/download/
rm(list = ls())

### 读入表达量数据
dd <- data.table::fread("data/CCLE_RNAseq_rsem_genes_tpm_20180929.txt",data.table = F)
test <- dd[1:100,1:100]

#### 批量log2，为了跟TCGA和GTEx统一起来
datalog <- as.data.frame(apply(dd[,-c(1,2)]+0.001,2,log2))

dd <- cbind(gene_id=dd$gene_id,datalog)
test <- dd[1:100,1:100]
### 读入注释文件
clin <- data.table::fread("data/Cell_lines_annotations_20181226.txt",data.table = F)
colnames(clin)[c(1,5)] <- c("sample","type")

index <- clin$sample %in% colnames(dd)

clin <- clin[index,c(1,5)]

### 提取表达量数据
dd <- dd[,c("gene_id",clin$sample)]
test <- dd[1:100,1:100]

### 清洁数据三部曲

### 探针转换
### 下载后先解压gencode.v19.genes.v7_model.patched_contigs.gtf
## 读入需要时间，耐心等待
gtf1 <- rtracklayer::import('resource/gencode.v19.genes.v7_model.patched_contigs.gtf')
gtf_df <- as.data.frame(gtf1)

library(dplyr)
library(tibble)
## 提取mRNA
mRNA_exprSet <- gtf_df %>% 
  #筛选gene,和编码指标
  filter(type=="gene",gene_type=="protein_coding") %>%
  dplyr::select(c(gene_name,gene_id)) %>% 
  inner_join(dd,by ="gene_id") %>% 
  dplyr::select(-gene_id) %>% 
  distinct(gene_name,.keep_all = T) %>% 
  column_to_rownames("gene_name") %>% 
  t() %>% 
  as.data.frame() %>% 
  rownames_to_column("sample")
test <- mRNA_exprSet[1:10,1:10]

mRNA_exprSet <- cbind(clin,mRNA_exprSet[,-1])
test <- mRNA_exprSet[1:10,1:10]

table(mRNA_exprSet$type)
sort(table(mRNA_exprSet$type))
### 其中有一些样本条目太少，不能单独做相关性分析。
library(dplyr)
ccle_mRNA_exprSet <- mRNA_exprSet %>% 
  group_by(type) %>% 
  mutate(number = length(type)) %>% 
  dplyr::select(number,everything()) %>% 
  ungroup() %>% 
  filter(number>5) %>% 
  dplyr::select(-number) %>% 
  as.data.frame()

class(ccle_mRNA_exprSet)
save(ccle_mRNA_exprSet,file = "output/ccle_mRNA_exprSet.Rdata")

##########################################################################################
rm(list = ls())
load(file = "output/ccle_mRNA_exprSet.Rdata")
source("resource/GTBA_functions.R")
data <- ccle_mRNA_exprSet
splitdata <- split(data,data$type)
gene1 ="METTL3"
gene2 = "SETD2"
plotdf <- getpancordata(gene1,gene2,data=splitdata,method = "spearman")

pancorplot(plotdf)
pancorplot(plotdf,label = "all")
pancorplot(plotdf,label = "none")
pancorplot(plotdf,label = "sig")
pancorplot(plotdf,label = "kidney")

## shape 21-24
pancorplot(plotdf,label = "all",shape =21)
pancorplot(plotdf,label = "all",shape =22)
pancorplot(plotdf,label = "all",shape =24)

### 单样本
sincorplot("METTL3","SETD2",data = ccle_mRNA_exprSet,source = "CCLE")
table(data$type)
sincorplot("METTL3","SETD2","breast",data = ccle_mRNA_exprSet,source = "CCLE")
sincorplot("METTL3","SETD2","lung",data = ccle_mRNA_exprSet,source = "CCLE")

（都是果子老师的财富）

陈琪同学
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
基因相关性
fjkgh的博客
08-19 1481
【题目描述】 为了获知基因序列在功能和结构上的相似性，经常需要将几条不同序列的DNA进行比对，以判断该比对的DNA是否具有相关性。 现比对两条长度相同的DNA序列。定义两条DNA序列相同位置的碱基为一个碱基对，如果一个碱基对中的两个碱基相同的话，则称为相同碱基对。接着计算相同碱基对占总碱基对数量的比例，如果该比例大于等于给定阈值时则判定该两条DNA序列是相关的，否则不相关。 【输入】 有三行，第一行是用来判定出两条DNA序列是否相关的阈值，随后2行是两条DNA序列(长度不大于500)。 【输出】 若两条DN
03:基因相关性
菜鸡向前走
10-27 799
做基因相关性这道题时，遇到了输入字符串，我选择的是gets（），但是出现了无法按照题目要求输出。这篇文章就是记录这个的原因
基因相关性（信息学奥赛一本通-T1131）
热门推荐
Alex_McAvoy的博客
03-03 1万+
【题目描述】 为了获知基因序列在功能和结构上的相似性，经常需要将几条不同序列的DNA进行比对，以判断该比对的DNA是否具有相关性。 现比对两条长度相同的DNA序列。定义两条DNA序列相同位置的碱基为一个碱基对，如果一个碱基对中的两个碱基相同的话，则称为相同碱基对。接着计算相同碱基对占总碱基对数量的比例，如果该比例大于等于给定阈值时则判定该两条DNA序列是相关的，否则不相关。 【输入】 有...
C语言 基因相关性
记录学编程后遇到的问题，注意点以及相关知识
11-15 3537
Description 为了获知基因序列在功能和结构上的相似性，经常需要将几条不同序列的DNA进行比对，以判断该比对的DNA是否具有相关性。 现比对两条长度相同的DNA序列。首先定义两条DNA序列相同位置的碱基为一个碱基对，如果一个碱基对中的两个碱基相同的话，则称为相同碱基对。接着计算相同碱基对占总碱基对数量的比例，如果该比例大于等于给定阈值时则判定该两条DNA序列是相关的，否则不相关。 Input 有三行，第一行是用来判定出两条DNA序列是否相关的阈值，随后2行是两条DNA序列（长度不大于500）。 O
1131：基因相关性.cpp
03-11
1131：基因相关性 时间限制: 1000 ms 内存限制: 65536 KB 提交数: 52964 通过数: 27614 【题目描述】 为了获知基因序列在功能和结构上的相似性，经常需要将几条不同序列的DNA进行比对，以判断该比对的DNA是否具有...
OJ-NOI题目：基因相关性.cpp
07-18
为了获知基因序列在功能和结构上的相似性，经常需要将几条不同序列的DNA进行比对，以判断该比对的DNA是否具有相关性。 现比对两条长度相同的DNA序列。首先定义两条DNA序列相同位置的碱基为一个碱基对，如果一个碱基...
B2111 基因相关性.exe
最新发布
06-10
B2111 基因相关性
B2111 基因相关性.cpp
06-10
B2111 基因相关性
基因相关性图
weixin_45161743的博客
02-11 6515
一、基因在任意癌症表达量相关性1. 获取基因名2. 制作基因在癌症的表达矩阵3. 绘制基因相关性热图二、基因集在癌症的表现1. 获取基因集2. 制作基因集在癌症的表达矩阵3. 绘图三、多个基因集相关性热图1. 获取基因集2. 制作基因集在癌症的表达矩阵3. 绘图 原文献：Spatially and functionally distinct subclasses of breast cancer...
基因相关性C++
SHIHAOCHUAN1的博客
03-09 2705
#include<cstdio> #include<iostream> #include<cstring> using namespace std; using namespace std; int main(){ char s1[505],s2[505]; double q; int c=0; int d; cin>...
【信息学奥赛一本通】1131：基因相关性
sy820413的博客
10-24 585
1131：基因相关性时间限制: 1000 ms 内存限制: 65536 KB提交数: 60884 通过数: 32136【题目描述】为了获知基因序列在功能和结构上的相似性，经常需要将几条不同序列的DNA进行比对，以判断该比对的DNA是否具有相关性。现比对两条长度相同的DNA序列。定义两条DNA序列相同位置的碱基为一个碱基对，如果一个碱基对中的两个碱基相同的话，则称为相同碱基对。
1131：基因相关性
qq_42552468的博客
07-16 1491
#include&lt;cstdio&gt; #include&lt;iostream&gt; #include&lt;cstring&gt; using namespace std; char a[600]; char b[600]; int main() {     float z;     int len,i,s=0;     scanf("%f",&amp;z);     scanf("%...
AC日记——基因相关性 openjudge 1.7 03
weixin_33701294的博客
11-26 821
03:基因相关性 总时间限制:1000ms内存限制:65536kB描述 为了获知基因序列在功能和结构上的相似性，经常需要将几条不同序列的DNA进行比对，以判断该比对的DNA是否具有相关性。 现比对两条长度相同的DNA序列。首先定义两条DNA序列相同位置的碱基为一个碱基对，如果一个碱基对中的两个碱基相同的话，则称为相同碱基对。接着计算相同碱基对占总碱基对数量的比例，如果该比例大于...
基因相关性——字符串入门
wzchiyu的博客
01-11 351
题目概要： 为了获知基因序列在功能和结构上的相似性，经常需要将几条不同序列的DNA进行比对，以判断该比对的DNA是否具有相关性。 现比对两条长度相同的DNA序列。首先定义两条DNA序列相同位置的碱基为一个碱基对，如果一个碱基对中的两个碱基相同的话，则称为相同碱基对。接着计算相同碱基对占总碱基对数量的比例，如果该比例大于等于给定阈值时则判定该两条DNA序列是相关的，否则不相关。 输入： 有三行，第一行是用来判定出两条DNA序列是否相关的阈值，随后2行是两...
【字符串】NOI--ch0107--03 基因相关性（简单题，注意细节）
荷叶田田
02-09 1023
 【字符串】NOI--ch0107--03  基因相关性题目链接→NOI--ch0107--03 基因相关性Accept: 0    Submit: 0Time Limit: 1 second    Memory Limit : 131072 KB Problem Description为了获知基因序列在功能和结构上的相似性，经常需要将几条不同序列的DNA进行比对，以判断该比对的DNA是否具有相关...
【C语言编程练习】基因相关性
kt4ngw的博客
12-09 1365
描述 为了获知基因序列在功能和结构上的相似性，经常需要将几条不同序列的DNA进行比对，以判断该比对的DNA是否具有相关性。 现比对两条长度相同的DNA序列。首先定义两条DNA序列相同位置的碱基为一个碱基对，如果一个碱基对中的两个碱基相同的话，则称为相同碱基对。接着计算相同碱基对占总碱基对数量的比例，如果该比例大于等于给定阈值时则判定该两条DNA序列是相关的，否则不相关。 输入 有三行，第一行是用来判定出两条DNA序列是否相关的阈值，随后2行是两条DNA序列（长度不大于500）。 输出 若两条DNA序列相
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值