癌症具有侵略性强、死亡率高等特点,近年来针对癌症的预测研究已成为生物信息学领域的热点研究方向。一种癌症通常由多种子型组成,有效的癌症亚型预测对提高癌症整体的诊疗效果、提供具有针对性的精准医疗具有重要意义。高通量技术的发展为癌症亚型预测提供大量组学数据,有助于从生物学分子层面探索癌症的发病机理与演化过程并发现关键致病基因,为更好理解癌症组学数据与表型之间的关系提供可能。传统的癌症亚型的研究仅利用单级组学数据进行预测,存在一定局限性,若能整体分析多个组学数据的关联关系,可有效提升预测效果。对多级组学数据进行集成分析的前提是每级组学数据都完整且可用,这一前提条件限制了在临床实践中的适用性。针对这一问题,本文开展基于子空间学习的癌症亚型分析研究。本文提出基于深度子空间互学习的癌症亚型预测研究算法。该算法将稀疏表示与互学习理论相结合,并在自编码器结构中添加网络自表达层获得具有判别性的数据特征表示。该网络主要包含分支部分和主干部分,其中分支部分负责学习单级组学数据的特征表示与自表达关系;主干部分将多种组学特征进行融合并学习整体数据的相似关系,进而利用相似性矩阵与谱聚类实现癌症亚型预测。本文提出基于低秩表示的癌症亚型预测算法。该算法为低秩表示模型添加非负约束与秩约束并通过交替方向法进行迭代求解,从而获得样本数据的最低秩特征表示。首先为每个单级组学数据建立相应的低秩模型并进行迭代优化,接着对获得的多个低秩表示矩阵进行融合并构建相似性矩阵,最后执行归一化切割以实现癌症亚型预测。本文采用五种公开癌症数据集中的三级组学数据对算法性能进行评估,实验评估结果表明所提算法与同类型算法相比获较好聚类效果,为设计有效的癌症治疗方案提供参考价值。