当前,癌症成为严重危害人们生命的疾病之一,研究癌症的发生十分必要。大量的癌症多组学生物数据由于高通量测序技术的快速发展而不断涌出,为分析癌症的发病机理带来了新的机遇。临床研究发现具有相同病理特征的癌症患者对相同的治疗方案存在明显的预后差别,因而进一步地发现癌症亚型具有重要的研究价值。癌症亚型是对同一种癌症病人进行分组,形成不相同的分组结果,可用来指导癌症的早期诊断与个性化治疗,进而使治疗效果有所提高;同时对于癌症发病机理研究和药物靶标的识别具有重要科学意义。癌症亚型发现的有效途径之一是基于聚类算法,其通过对多组学生物数据进行整合,从而提取出与临床联系密切的肿瘤亚型。本文主要研究面向癌症基因组学生物分子数据的聚类算法,主要研究工作如下:1、提出了一种基于簇间相似度和病人权重的集成聚类方法,该方法通过随机变换缩放性指数相似度核函数中的两个参数来产生多个不相同的基本簇,针对样本在基本簇中聚类的难易程度计算出各样本的权重。再将得到的样本权重融入各样本簇相似度计算过程中,最后利用基于图分割的方法来得到最终的聚类结果。2、提出了一种基于子空间自适应对齐聚类算法,该方法首先从每个组学数据的相似性网络中提取出子空间,即将高维度的多组学数据映射到含有主要生物学信息的低维子空间内,然后通过自适应优化算法合并各组学数据的子空间从而得到融合子空间。最后通过对提取出的综合子空间应用k均值算法,从而得出样本亚型结果。在有标签的数据集和临床癌症数据集上的实验结果均表明本文提出的两种算法与现有的算法相比更加有效。此外,对癌症案例的分析表明本文提出的方法发现的癌症亚型具有显著的临床意义(年龄与性别分布差异,药物反应)。