摘要：基因表达数据具有样本量小、基因变量多、噪声与冗余并存的高维特征，聚类分析是识别肿瘤亚型、解析基因调控模块与筛选差异表达基因的重要手段。不同聚类方法在高维噪声、变量相关与亚型边界模糊等条件下表现差异明显，方法选择直接影响后续生物学结论。本文围绕高维基因表达数据的聚类问题，梳理层次聚类、划分聚类、基于模型聚类与谱聚类等方法的基本原理与适用条件，讨论高维空间中距离失效、维度灾难与特征选择对聚类结果的影响。研究结合公开基因表达数据集，比较各类方法在聚类准确性、稳定性与计算效率上的表现，分析方法假设与数据结构之间的匹配关系。结果表明，不存在在所有数据结构下都占优的单一方法；层次聚类在亚型层次关系明显时解释性较强，划分聚类对球状簇与初始中心敏感，基于模型方法可给出软归属概率但受分布假设约束，谱聚类在非凸簇结构上具有优势。聚类可靠性需要结合外部标签、内部指标与多次重复稳定性综合判断。研究为高维生物数据的聚类方法选择与结果解读提供统计层面的参考。
关键词：高维数据；基因表达；聚类分析；维度灾难；模型比较；稳定性评价
