随着高通量基因测序技术的快速发展和应用,使得个人基因测序成本大大降低。它为人类基于基因水平的癌症研究创造了先决条件。目前,信息智能化的进一步推进,使得人工智能已经在各个领域发挥着重要作用,尤其是在医疗健康领域,越来越多的研究者利用深度学习对基因测序数据进行分析。可用于辅助医生诊断癌症以及制定个性化治疗方案。基因表达水平上的癌症研究在很大程度上促进了癌症诊断和治疗技术的发展。本文利用深度学习算法对癌症基因组数据的分类模型进行研究与实现主要研究工作如下:1.本文改进了一种基于重构误差的深度信念网络深度自适应确定方法。让深度神经网络的深度确定不再完全依赖于人工设置,而是根据RBM的重构误差以及最深网络层数在模型训练过程中自适应确定,在一定程度上降低了人工网络层数设定的随机性。使模型在预训练过程能够自适应的确定一个较好的网络深度。2.本文提出了一种结合深度信念网络和LightGBM的癌症基因组数据分类模型。利用深度信念网络对癌症基因数据进行特征提取,代替了高成本的人工特征提取过程,用于LightGBM分类模型。在TCGA的拷贝数变异数据集上进行模型性能分析,实验结果表明,利用深度信念网络五折提取的特征能提升模型性能。3.本文以深度信念网络模型为基础,提出了一种基于多模态数据的乳腺癌相关蛋白质分类模型。该方法通过设计三个深度神经网络,分别提取了DNA甲基化、基因表达以及miRNA表达数据中包含的乳腺癌亚型蛋白质的分类特征,对单模型深度信念网络的输出建立浅层神经网络,进行后端决策融合。在TCGA-BRCA数据集上的实验结果表明,融合多模态数据的深度学习模型在多个性能评估指标上优于单模态模型和传统分类模型。本文利用深度学习算法对癌症基因组数据进行研究,着重于癌症分类以及乳腺癌亚型相关蛋白质状态分类的研究,为癌症诊断和治疗提供参考,辅助医生为患者制定个性化治疗方案,提高癌症患者的治愈率。