توانایی تکنولوژی ریزآرایه در ایجاد امکان ثبت، کنترل و تحلیل هم زمان هزاران ژن، محققین بسیاری را علاقمند به یافتن الگوریتمی بر اساس داده های ریزآرایه به منظور کشف رده های سرطان و ژن های نشانگر رده ها کرده است. یکی از روش های معمول و پر کاربرد در تحلیل داده های ریزآرایه، خوشه بندی است. یک خوشه بندی مناسب از نمونه ها بر اساس داده های بیان ژن، با ایجاد گروه هایی با سطوح بیان ژنی مشترک می تواند منجر به کشف رده های موجود در داده ها شود . همچنین امکان تعیین ژن ها یی که نقشی مهم در ایجاد رده های مختلف را دارا هستند فراهم می کند. این پایان نامه با بکارگیری الگوریتمی ترکیبی از دو روش خوشه بندی نقشه خودسازمانده رشدی و درخت پویای خودسازمانده در داده های ریزآرایه سرطان سینه به تعیین رده های موجود در داده ها و ژن های پیشگوی آن ها می پردازد. مجموعه داده ها، اطلاعات بیان ژن چهل و نه بیمار مبتلا به یکی از سه نوع تومور آپوکرین، بیسال و لومینال سرطان سینه را شامل می شود. الگوریتم ترکیبی به صورت خودکار و غیرهدایتی، داده ها را در سه گروه خوشه بندی کرد. اکثریت نمونه ها در سه رده پیشگویی شده به ترتیب مبتلا به تومورهای آپوکرین ، لومینال و بیسال بودند. همچنین ژن های پیشگوی تعیین شده برای گروه اول: (guncyib3وpolr3e)، برای گروه دوم: (esr1وtff3) و برای گروه سوم: serpinb5 بدست آمد. اگر چه مدارک کافی مبنی بر ارتباط ژن های پیش گوی رده ی اول و سرطان سینه موجود نیست، اما ارتباط ژن های پیش گوی دو رده ی دوم و سوم با سرطان سینه و نوع تومور اکثریت اعضای این رده ها کاملاً مورد تایید مطالعات بیولوژیک است . بکارگیری الگوریتم ترکیبی دو روش gsom و dsomtree بر داده های ریزآرایه سرطان سینه، توان الگوریتم در ایجاد تعداد دسته هایی مناسب از داده ها و تعیین ژن های پیشگو در هر دسته را در کشف رده های سرطان و ژن های نشانگر هر رده نشان می دهد. کلید واژه: ریزآرایه، خوشه بندی،نقشه خود سازمانده رشدی، درخت پویای خودسازمانده، سرطان سینه