数据分析是高通量测序应用于生物研究最关键的步骤。本文聚焦卵巢癌蛋白质质谱数据和单细胞RNA测序数据,利用计算工具构建有效的分类/聚类算法,深度挖掘这些数据背后蕴藏的生物信息,帮助人们认识生物功能,并辅助相关疾病的治疗。卵巢癌蛋白质质谱数据复杂难辨。本文基于癌组织在病理状态表达的蛋白质和肽丰度的异常变化,提出了一种基于髙斯混合模型和BP神经网络的集成模型,对蛋白质质谱图进行分类预测,即将未知样本与已知样本进行匹配度检测,预测样本是健康状态,良性发展状态,还是癌症状态,从而辅助卵巢癌的早期诊断。集成模型首先借助曲线分析去除部分冗余数据,然后采用方差排序求交集、阈值设定以及高斯混合模型,筛选出特征质荷比集合,最后利用BP神经网络进行三分类预测,并运用十折交叉验证计算模型准确率。结果表明:集成模型在公共数据集Ovarian 04–03–02上的三分类准确率显著高于分别独立使用高斯混合模型和BP神经网络得到的预测结果。此外,集成模型计算简单,具有较强的泛化性和实用性,可作为后续研究质谱数据分类问题的可选择工具。单细胞测序数据种类繁多,数量巨大。本文在已有的细胞对相关性（简称Corr）算法基础上提出了改进算法。首先基于单细胞测序数据特点提取“信息贡献值”;然后计算信息贡献值矩阵的基因集,并将其融入Corr算法中基因表达矩阵的基因集,得到新的度量矩阵;最后使用两种算法分别对八个单细胞数据集进行聚类分析。结果表明:在四个数据集上,两种算法聚类效果都非常好;在Islet和Human两个数据集中,改进算法聚类准确性略差;但在N8-cell和Nmorale两个数据集中,改进算法的聚类评价指标高于Corr算法,得到的最优聚类数目更接近真实数目。可见,改进算法具有较高准确性和较强的鲁棒性,可为后续单细胞测序数据的聚类分析提供一定的技术支撑。