随着基因芯片这一高通量分子生物学实验技术的成熟和发展,采用基因芯片技术研究人类疾病的分子机制成为一个新型有效的研究方法。基因芯片实验可以在一次实验过程中同时检测成千上万个基因乃至全基因组范围的基因转录表达水平,它产生的海量数据需要采取专门的统计学方法辅助分析。机器学习领域中的多种分类方法已经应用到芯片数据的分析中,特别是用于提取分子标记物的研究中。基于芯片数据的分子标记物提供了针对不同病人的个体化医疗确诊手段,对于疾病预后、确定疾病亚型和选择治疗方案等提供基于基因表达特征值的判断依据。本文构建了从乳腺癌芯片原始数据出发,经过芯片质量分析判别、挑选显著性基因、通过机器学习分类方法预测乳腺癌病理响应和验证的一套基因芯片分子标记物研究流程,这个分析方法同样适用于其它疾病的基因芯片数据分子标记物研究。基因芯片实验由于其复杂的实验流程、多样的芯片平台、研究对象的个体差异、实验设计环节的不同,以及多种多样的数据分析策略,不同的研究者针对同一个问题的研究结果往往差异很大,以致得到不一样的分子标记物。本文提出一个描述分子标记物间基因表达量相关系数矩阵的方法,通过对该矩阵的图连通分量分析,找出不同基因标记物之间的联系。