大脑是一个极其复杂的系统,控制着各种生命活动,对大脑的全方位探索是人类的不懈追求。基于大脑的结构和功能连接信息构建的脑网络组图谱是研究大脑的利器,而大脑各组织区域基因转录表达的差异决定着各脑区的组织连接和功能活动。因此通过对微观的大脑转录组数据与宏观的脑网络组图谱的融合研究,不仅可以在分子层面验证脑网络组图谱亚区划分的可靠性,而且可以发现主导脑区功能活动的驱动基因,对二者的联合分析极大地推动了脑科学的发展。转录组数据是一种典型的高维小样本数据,数据的高维特性带来了维数灾难,导致计算复杂度的提高,阻碍了后续分析,解决维数灾难常用的方法就是对数据进行降维处理。维数灾难是个重要但是难解的问题,且没有放之四海而皆准的解决方案,针对转录组数据,还没有人系统研究过合适的降维算法。本文根据转录组数据的特点,以及转录组和脑网络组图谱的融合研究中对特征可解释性的需求,提出了适用于转录组数据的特征选择准则,采用对特征评分排序的思想,基于不同的评价标准研究了多种特征选择算法在转录组数据上的应用。通过运用特征选择结合机器学习算法,本文以梭状回数据为例,对转录组和脑网络组图谱融合的特征选择算法和分类算法进行了验证,通过实例证实了这些算法的有效性。证实了合适的特征选择算法,不仅可以降低维数灾难对问题分析带来的影响,还可以提高分类器性能。对梭状回的分类结果表明,利用少量基因探针就可以达到85.43%的准确率,不仅准确率大幅提升,所用的特征数量也远低于原始特征数量,选择出的这些基因可以视为主导梭状回亚区功能活动的驱动基因,从而在分子水平证实了脑网络组图谱划分的有效性,并进一步分析了相应亚区的功能基因。鉴于转录组和脑网络组图谱融合研究的重要性,本文扩展了转录组工具箱的功能,新增了脑网络组图谱亚区转录组数据查询和特征选择子模块,并在分类分析模块中添加了两个新的分类算法,完善了工具箱的功能,方便研究人员使用。