聚類通過把目標數(shù)據(jù)放入少數(shù)相對同源的組或“類”（cluster）里。分析表達數(shù)據(jù)，（1）通過一系列的檢測將待測的一組基因的變異標準化，然后成對比較線性協(xié)方差。（2）通過把用最緊密關聯(lián)的譜來放基因進行樣本聚類，例如用簡單的層級聚類（hierarchical clustering）方法。這種聚類亦可擴展到每個實驗樣本，利用一組基因總的線性相關進行聚類。（3）多維等級分析（multidimensional scaling analysis,MDS）是一種在二維Euclidean “距離”中顯示實驗樣本相關的大約程度。（4）K-means方法聚類，通過重復再分配類成員來使“類”內(nèi)分散度最小化的方法。

聚類方法有兩個顯著的局限：首先，要聚類結果要明確就需分離度很好（well-separated）的數(shù)據(jù)。幾乎所有現(xiàn)存的算法都是從互相區(qū)別的不重疊的類數(shù)據(jù)中產(chǎn)生同樣的聚類。但是，如果類是擴散且互相滲透，那么每種算法的的結果將有點不同。結果，每種算法界定的邊界不清，每種聚類算法得到各自的最適結果，每個數(shù)據(jù)部分將產(chǎn)生單一的信息。為解釋因不同算法使同樣數(shù)據(jù)產(chǎn)生不同結果，必須注意判斷不同的方式。對遺傳學家來說，正確解釋來自任一算法的聚類內(nèi)容的實際結果是困難的（特別是邊界）。最終，將需要經(jīng)驗可信度通過序列比較來指導聚類解釋。

第二個局限由線性相關產(chǎn)生。上述的所有聚類方法分析的僅是簡單的一對一的關系。因為只是成對的線性比較，大大減少發(fā)現(xiàn)表達類型關系的計算量，但忽視了生物系統(tǒng)多因素和非線性的特點。