近年来,随着科学技术的发展,大量的多组学数据也应运而生。这些整合后的组学数据能够较全面的从多个分子层面对疾病进行观测和诊断,从而对患者进行全面的分子分型,为精准医学的发展做出贡献。目前已经有许多研究多组学数据的方法,然而这些整合方法通常是以程序包的形式展现出来,其方法比较固定单一且只针对某些特定类型的数据,不能供使用者选择。同时他们也很少将降维和聚类联合用于多组学数据,使得聚类的效果不尽人意。而这些问题对于多组学数据研究和无编程经验的研究者来讲是一个巨大的挑战。为了解决这些问题,本文提出了一个基于深度聚类模型和传统模型的多组学数据整合分析方法,并开发了一个系统,简称IOAT。它为非编程人员研究高维多组学数据提供了许多方法。在这里,IOAT为用户提供了多样化数据预处理,特征筛选,聚类以及生存分析等相关功能。本系统针对多组学数据是否具有先验标签将流程分为了两大类:第一类针对有标签的多组学数据,本文提出了一个基于标准化欧式距离的联合深度聚类方法（DKM+）。该方法将聚类的方法嵌入到降维模型中进行联合优化,并针对多组学数据的特点使用了标准化欧式距离的方法来计算降维和聚类模型的损失函数中的相关距离,从而使联合优化模型得到更好的聚类结果;第二类针对无标签的多组学特征提供了单因素多因素特征选择方法。每种方法可自由组合。特征降维后,用户还可对这些特征进行风险评估并预测不同时间段的生存概率。接下来,用户可以选择自己设定或系统设定聚类数两种方式对筛选后的特征进行聚类,并将生存分析效果好的聚类数作为亚型分类结果。该系统已在TCGA的多个真实癌症项目数据和模拟数据集上进行了充分地验证。综上所述,本文提出的方法和开发的系统可以为不同类型的多组学数据提供多样化的数据分析方法。其特征选择的结果可以为那些医务人员和生物学家提供与肿瘤分期密切相关的基因,作为组学和临床表型之间联系的参考,从而有助于建立个性化的癌症治疗计划。其聚类的结果可以为他们提供一个特定癌症分子亚型的参考,从而帮助患者进行精准化治疗。