امروزه بیوانفورماتیک به یکی از شاخه های مهم علوم میان رشته ای تبدیل شده است که با ترکیب علوم رایانه و آمار محاسباتی به تجزیه و تحلیل داده های موجود در سطوح ژنومیک ، ترنسپراکتیومیک و پروتئومیک می پردازند. یکی از کارهایی که در این زمینه انجام میشود طبقه بندی و بررسی داده های ریزآرایه است که این امکان را فراهم میکند تا بتوان بابررسی داده های سطح ژنوم ، انواع بیماری ها را در مراحل اولیه بیماری تشخیص داد اما طبقه بندی داده های ریز آرایه دشواری ها و پیچیدگی های زیادی دارد و یکی از این دشواری ها وجود مجموعه داده های بیان ژن با هزاران ژن متنوع است که برای تشخیص یک بیماری خاص باید بتوان ژن های محدود و مشخصی را که نقش موثری در ایجاد آن بیماری دارند را شناسایی و انتخاب کرد. از دیگر چالش های این حوزه ایجاد مدلی برای تشخیص و پیش بینی بیماری ها با استفاده از فناوری های رایانه است زیرا اغلب مدل ها برای تشخیص کارآمد نیاز به حجم زیادی از داده ها و نمونه ها دارند و معمولا تعداد نمونه های مربوط به یک بیماری محدود و کم هستند که کار مدل سازی را دشوار می کنند. برای این منظور در این مقاله به بررسی انواع روش های انتخاب ژن و یادگیری ماشین پرداخته شده است. بررسی نتایج، نشان می دهد که اغلب این روش ها مبتنی بر طبقه بندی و در ساخت مدل های تشخیص بیماری ها، کارآمد و دارای دقت بالایی می باشند.