最近，先进的生物医学技术，如高通量微阵列和分子成像来监测snp和基因和蛋白质的表达，已经可以提供关于单个人的详尽的医学信息。原则上,我们可以获得更多的信息关于个体的生物和医学地位从这样的数据集,这被视为生物标志物在广泛意义上,用于识别、协会和预测研究关于表型等疾病亚型、预后、治疗反应,和不良反应作为个性化医疗的一部分。然而，通常很难在这些数据集中只提取包含信息的部分，这些数据集包括一堆没有信息的观测数据。特别是，我们无法确认统计证据，因为在尝试实际使用这些统计应用时，相对于数据的维度而言，样本量较小。例如，如果我们采用机器学习方法来预测治疗效果，那么我们通常会在试图确认再现性和稳健性作为性能度量时遇到困难。同时，有效的研究设计对于生物标志物的开发和验证至关重要。我们在这个特别的问题集中在生物标志物的统计分析的困难，包括统计设计，估计和预测。潜在的主题包括但不限于:

• 预测表型的核机器学习方法
• 矩阵和张量数据学习
• 稀疏学习与增强
• 生物标志物筛选中的多重测试/排名和选择
• 个体间异质性的层次和/或混合模型
• 生物标志物临床研究的设计

在投稿之前，作者应该仔细阅读期刊的作者指南，它位于//www.newsama.com/journals/cmmm/guidelines/．未来的作者应该通过期刊手稿跟踪系统提交他们的完整手稿的电子副本http://mts.hindawi.com/submit/journals/cmmm/bpm/根据以下时间表: