本文中,我们重点阐述了我们所提出的在变量选择过程中借鉴了生物通路信息的这类特征选择算法。这些算法有着不同的用途,如对不同组别的样本进行分类或对不同病理亚型的癌症患者预测其死亡的风险。首先,我们对significance analysis of microarray-gene set reduction（SAMGSR）算法进行了扩展,使其能够吸纳和融合两种的通路知识。虽然SAMGSR算法本身属于一种基于通路的特征选择算法,但是SAMGSR算法只考虑基因的组别信息而忽略了基因间如何相互关联。这里,我们提出了一个SAMGSR算法的加权版本,即加权SAMGSR算法。此算法根据基因间的交互作用构建权重,然后综合基因的权重和检验统计量来选择相关基因。使用模拟和真实世界数据,我们对所提出的SAMGSR扩展算法的性能进行了评估。这些分析表明SAMGSR加权版本确实优于原来的版本,因此添加的基因交互作用信息有助于相关基因的选择。而后,我们介绍了另一种加权的方式,即直接将权重同基因表达值相结合生成加权基因表达值。我们使用这些加权基因表达值和LASSO算法进行了相关基因的选择。这种加权方式不同于加权SAMGSR算法中采用的加权方式,其不但成功地引入了通路信息,而且使很多传统的特征选择算法的再次利用成为可能,节省了提出全新算法所消耗的时间。使用模拟和真实世界的数据,我们已经证明使用通路信息,加权基因表达谱通常优于原始的基因表达谱。Cox-filter的算法是为数不多的可以验证是否存在着特定于非小细胞肺癌各亚型的预后基因的一种特征选择算法,其在特征选择过程中没有考虑任何通路信息。此算法以患者生存时间为因变量对每个基因拟合一个Cox模型来检验基因,疾病亚型,和两者交互作用项与生存时间的相关程度。在本文中,我们使用符号平均值（sign average）方法生成了代表整个基因集表达水平的伪假基因,然后依次在通路水平和基因水平上拟合Cox模型,来进一步扩展了 Cox-filter算法,使其能够不仅吸纳了通路信息,还能够选择特定于亚组的预后基因和预后通路。采用不同的对通路选择和对基因选择的顺序,我们提出了两个算法,它们被命名为正向Cox-filter算法和反向Cox-filter算法。使用模拟和非小细胞肺癌的基因表达数据,我们证明了正向Cox-filter算法在预测能力和模型稳定性方面均优于反向Cox-filter算法和其他相关算法。正向Cox-filter算法和反向Cox-filter算法容易理解、便于操作。因此对有兴趣探索基因表达数据预后价值的研究人员来说,它们将是十分有用的统计方法。