利用micro-RNA-seq或scRNA-seq数据来诊断疾病类型是医学研究的一种有效方法,针对以上测序数据,现已有泊松线性判别分析（PLDA）、负二项线性判别分析（NBLDA）和零膨胀泊松逻辑判别分析（ZIPLDA）等统计分类方法。由于基因表达数量成千上万,而样本只有几十个,在大量的基因里,并不是所有的基因都对分类起作用,基因表达数据中存在着大量的冗余和不相关基因。处理基因表达数据的一种典型方法即选取特征基因,如何发现并选取对样本分类起决定性作用的基因对后续的分类工作至关重要。为了提高分类的准确度,节省运算时间,提高运算效率,有必要去除不相关的基因,检测重要的特征基因。目前广泛使用的方法是BSS/WSS方法,但该方法假设数据服从正态分布,因此可能不适用于micro-RNA-seq和sc RNA-seq数据。针对以上问题,本文提出了一种重新编码类别（ENTC）进而利用斯皮尔曼相关系数选择差异表达基因的方法。我们根据每个类中样本观测值的大小对类内样本的类别号重新编码,在每个类中得到新的类别号编码。通过求每个基因在各个样本片段数与新的类别号的相关系数,选取相关系数较大的基因,从而保证了挑选的基因在类内的差异较小,而在类间差异较大,提高了分类的效率和准确度。同时我们证明了提出的ENTC方法的筛选确定性和秩一致性性质。我们将ENTC方法与现有的选取特征基因的方法进行了比较,模拟显示在多种情况下ENTC方法选取特征基因的准确率较其他方法较高,用于分类的误分类率比其他方法较低。此外,通过分析真实数据,结果也表明ENTC方法优于现有的其他方法。