В данной статье рассматриваются продвинутые методы контрастивного анализа главных компонент (PCA), предназначенные для снижения размерности данных путем максимизации дисперсии целевого набора данных при одновременной минимизации дисперсии фонового шума. Авторы представляют два ключевых расширения метода: k-ρPCA, использующий весовые коэффициенты ядра для контрастирования пространственных и не пространственных осей вариации, и f-ρPCA, решающий задачу коэффициента Рэлея в пространстве коэффициентов базисных функций для анализа функциональных данных. Предложенный математический аппарат позволяет объединить разрозненные подходы пространственного и функционального анализа в единую концептуальную структуру. Практическая значимость методов продемонстрирована на реальных биомедицинских данных из области геномики. В частности, алгоритмы успешно применены для анализа экспрессии генов при раковых заболеваниях и изучения иммунного ответа на вакцинацию, что подтверждает их эффективность в поиске биологически значимых сигналов на фоне высокого уровня шума.