科学技术的迅猛发展推动了生物医学研究领域的极大进步,生物医学数据的爆发带来了一场数据革命,多年来积累了大量不同类型的癌症数据。癌症在分子层面上的定义一直是生物信息领域的重要研究内容,是辅助医疗诊断,快速为不同亚型的患者提供诊断方案的重要途径。探究在多样的生物数据中挖掘有效的潜在信息成为癌症分子分型的研究热点之一。当前,癌症的分子分型常用方式依然是对单个类型数据源的分子分型,并且大多是以无监督或者是半监督的方式学习,这些方法无法将多种与癌症发生与发展机制相关的数据类型高效利用,容易造成信息损失。整合多组学数据不仅能够挖掘癌症与相关组学分子数据的联系,还能够发现各组学数据之间对癌症的协同共享的作用关系。由于生物数据普遍具有特征维度广、噪声干扰多、样本量少等特点,本文基于相似性网络融合的方法对多组学癌症数据进行整合,并针对原有方法使用欧氏距离的局限性,提出一种基于深度子空间模型的相似性网络融合算法。对于融合后的相似性网络,使用谱聚类从而实现癌症预后相关分子分型任务。传统方法分子分型算法大多使用连续的组学数据,而忽略了许多离散组学数据的对于癌症分型问题的意义。本文利用网络传播算法,结合基因相互作用网络,将离散稀疏的体细胞突变数据进行网络平滑,从而扩展了所提出的融合算法的适用范围。为了验证本文所提出的基于深度子空间模型的相似性网络融合算法,采用TCGA(The Cancer Genome Atlas)数据库五种癌症数据的m RNA、micro RNA、DNA甲基化三种类型组学数据来对算法进行验证,并采用轮廓系数和log-rank p值对最终的分型结果进行评价。另外,对三种癌症数据引入体细胞突变数据,验证使用网络传播模型平滑稀疏离散数据,扩展融合算法的适用范围的有效性。最终验证结果表明本文提出的方法在肿瘤的分子分型任务及其相关预后诊断治疗上能够发挥良好的作用。