با پیشرفت علوم زیستی و فناوری‌های نوین، داده‌های با ابعاد بالا که در آن‌ها تعداد متغیرهای مستقل از تعداد مشاهدات بیشتر است، در حوزه‌های مختلف گسترش یافته‌اند. داده‌های بیان‌ژنی مرتبط با تولید ریبوفلاوین یا ویتامین $B_2$ نمونه‌ای از این داده‌ها هستند. وجود تعداد زیاد متغیرها و همخطی میان آن‌ها، استفاده از روش‌های رگرسیونی کلاسیک را با چالش مواجه می‌سازد. ازاین‌رو، روش‌های منظم‌سازی و کاهش ابعاد مانند رگرسیون ریج، لاسو، الاستیک نت و کمترین مربعات جزئی، به‌منظور افزایش پایداری مدل و بهبود پیش‌بینی توسعه یافته‌اند. همچنین، روش‌های یادگیری ماشین مانند ماشین‌های بردار پشتیبان و رگرسیون بردار پشتیبان با توانایی مدل‌سازی روابط پیچیده و غیرخطی، در تحلیل داده‌های با ابعاد بالا کاربرد گسترده‌ای یافته‌اند. در این پژوهش، روش‌های رگرسیونی و یادگیری ماشین شامل ریج، لاسو، الاستیک نت، PLS ،SVM و SVR بر روی داده‌های واقعی و شبیه‌سازی‌شده بررسی می‌شوند تا عملکرد آن‌ها ارزیابی گردد.