投影聚类作为一种重要的高维聚类分析技术,不同于子空间聚类,投影聚类要求得到一组互斥的对象划分,不允许不同聚类共享相同的对象。由于投影聚类的结果具有良好的区分特性,使得该方法开始被应用于基因表达数据分析中,用来区分样本的具体表型。而已存在的大多数投影聚类方法基于迭代调整框架而导致鸡-蛋问题。这常常带来许多缺陷：(1)敏感的调整顺序(2)不合理的基因独立假设(3)过多地挑选低识别能力的基因。本文中提出了一种新的算法框架,基于极大闭模式的序列投影聚类算法MCPC避免了这些问题。不同于之前的研究,此方法的搜索框架不是基于迭代的,并且利用了基因中的序关系。因此,不需要担心调整顺序的敏感性问题并且不受基因独立性假设的约定。进一步的,由于利用了之前研究忽略的许多有效信息,它提高了类型区别的准确性并且仅用更少的基因。该算法是基于投影散度和(k,l)有效性的概念计算代表区分子序列的能力,然后根据最能区分样本的子序列对样本进行聚类,同时能找到诊断基因。主要包括下面三个部分：(1)把微阵列数据转化为g*-sequence模型,并且利用位置矩阵进行保存。(2)基于模版驱动的模板方式进行子序列枚举,将问题转化为极大闭模式挖掘问题,为每个样本找到最大区分能力的子序列,在搜索过程中利用了有效的削减策略。(3)根据每个样本的最大区分能力子序列划分块,最后把这些块聚成K类,同时发现诊断基因模式。大量的实验证明,MCPC比现有的研究方法更有效的提高了表型划分的准确度和效率并能够发现诊断基因模式,这个结果在生物学和统计学是非常有意义的。