此论文 Widespread redundancy in-omics profiles of cancer mutation state，ppt 动态讲解

此论文In silico saturation mutagenesis of cancer ， ppt 动态 讲解

此论文 Pan-cancer analysis of whole genomes ，ppt 动态讲解

matlab +人口增长代码囚徒困境作为癌症模型 作者：Jeffrey West，日期：2016年2月29日 刊物 此代码或在此框架之上开发的代码已在以下出版物中使用： 如何使用： 编写此代码是为了在MatLab中使用，main.m是可执行文件，buildA.m，buildQ.m，checkMutation.m，choiceBirthType.m，chooseDeathType.m是main.m可执行文件使用的函数。 参数 该代码运行进化动力学仿真，这是一个恒定的种群过程（N =竞争的细胞数=恒定）。 选择压力w在0（无选择，等同于Moran过程）和1（完全选择压力：囚徒困境的最大影响）之间变化。 这个简单的模型包含两个表型（健康，癌症），总共由2 ^ b个遗传类型组成，其中b是每个细胞“数字基因组”的位长。 例如，对于b = 4，有16种遗传类型可以分为11种健康和5种癌症类型。 该代码运行一次随机模拟并绘制结果。

matlab中存档算法代码

神经网络 乳腺癌数据集的神经网络，可产生概率并对新患者进行分类。 训练数据 该模型是使用699例乳腺癌患者的数据集构建的。 数据集经过归一化和清洗，最终使500名患者接受了培训和测试的最终数据集。 共有500例患者，其中262例（52.4％）患有良性肿瘤，238例（47.6％）患有恶性肿瘤。 为了进行训练，使用了80％的数据，其中40％是良性肿瘤，40％是恶性肿瘤，其余20％用于测试。 在这20％中，12.4％来自良性肿瘤，而7.6％来自恶性肿瘤。 怎么跑 克隆存储库 启动你的服务器 现在，您可以访问神经网络预测的结果并查看模型训练的性能图。 内容

https://archive.ics.uci.edu/ml/datasets/Breast+Cancer+Wisconsin+(Diagnostic) Breast Cancer Wisconsin (Diagnostic) Data Set

社会上的主要疾病是全世界女性的乳腺癌，其中27％的女性患有癌症。 机器学习分类器适合医师以低成本和时间进行完美诊断。 分类器的比较性能分析需要获得准确的诊断，因为医学数据由本质上嘈杂的高维数据组成。 在这项研究中，将不同的分类器机器学习技术应用于乳腺癌数据集。 印度的癌症发生率在30年代初有所增加，但在50-64岁时达到最高点。 根据NICPR报告，在28名妇女中，有一名妇女患了乳腺癌。 但是这种比例将改变城市人口，其中22名妇女中有1名妇女受到影响。 在农村，该比例增加到每60名妇女中增加1名？ 通过早期诊断和治疗可以提高患者的治愈率，这可以延长他们的寿命。 在这里，我们已经建立了一个模型来识别癌细胞是良性还是恶性的。 我们使用了机器学习技术分类器。 在这里，我们必须确定一种在不同的手术条件和数据集下预测疾病的合适技术。 结果分析表明，SVM被认为是识别不同性能矩阵（例如灵敏度，准确性，误差和特异性）的合适选择。

cancer_dataset

癌症是导致人类死亡的众所周知的疾病，乳腺癌（BC）是女性诊断出的癌症之一。 一生中大约有八名女性被诊断出患有BC。 如果尽早诊断出BC，可以很容易地进行治疗。 这项研究的方法是通过不同的机器学习（ML）技术来识别患有BC或不患有BC的患者。 在这项研究中，威斯康星州诊断性乳腺癌（WDBC）数据集将通过支持向量机（SVM），k最近邻（k-NN），朴素贝叶斯（NB），决策树（DT）和逻辑回归（LR）进行分类）。 分类之前有一个预处理阶段，其中五个不同的分类器应用了5倍交叉验证方法。 分类性能是通过使用混淆量度通过性能测量参数（即准确性，敏感性和特异性）来测量的。 在这项研究中，SVM在归一化过程后发现的最佳性能为99.12％的精度。