目前在临床研究中运用较多的，包括主成分分析（Principal component analysis, PCA）、层次聚类分析（Hierarchical clustering analysis, HCA）等非监督分类方法，以及偏最小二乘法-判别分析（Partial least squares projections to latent structures- discriminant analysis, PLS-DA）、正交偏最小二乘法-判别分析（Orthogonal projections to latent structures- discriminant analysis, OPLS-DA）、神经网络（Neural network clustering, NN）等监督分类方法，其中PCA、PLS-DA和OPLS-DA最为常用和有效。

eg：主成分分析（PCA）

      主成分分析（principal components analysis, PCA）是一种简化数据集的技术。它是一个线性变换。这个变换把数据变换到一个新的坐标系统中，使得任何数据投影的第一大方差在第一个坐标（称为第一主成分）上，第二大方差在第二个坐标（第二主成分）上，依次类推。主成分分析能降低所研究的数据空间的维数，理清多元变量间的关系。

eg：偏最小二乘判别分析（PLS-DA）

偏最小二乘判别分析（Partial least squares discrimination analysis）是一种用于判别分析的多变量统计分析方法。判别分析是一种根据观察或测量到的若干变量值，来判断研究对象如何分类的常用统计分析方法。其原理是对不同处理样本（如观测样本、对照样本）的特性分别进行训练，产生训练集，并检验训练集的可信度。