癌症是由基因组变异驱动的复杂疾病，肿瘤测序成为癌症患者临床护理的核心，多机构测序数据的出现为增强精准肿瘤学提供了有力资源。然而，利用这种多机构测序数据面临着重大挑战，包括基因面板的差异导致常见基因集上信息的丢失，测序技术和机构间患者异质性的差异增加了复杂性，高数据维度、稀疏基因突变模式和个体基因水平的弱信号进一步复杂化了情况。为了克服这些实际挑战，我们介绍了 Bridge 模型，它采用分位匹配的潜变量方法来获得整合特征，以保留超出常见基因之外的信息，并最大限度地利用所有可用的数据，同时利用信息共享来增强学习效率和模型的泛化能力。通过提取协调和去噪的低维潜变量，捕捉到了每个个体独特的真实突变模式。我们通过广泛的模拟研究评估了模型的性能和参数估计，从 Bridge 模型中提取的潜变量特征在 GENIE BPC 数据中始终表现出色，可以预测六种癌症类型中的患者生存情况。

Jan, 2024

该研究提出了一种使用统计和深度学习方法集成多个来源的横断面和纵向数据、识别相关变量并提供深入生物学见解的流程，并将其应用于炎症性肠病的多组学数据，发现了可区分炎症性肠病状态的微生物通路、代谢物和基因，为炎症性肠病的病因提供了信息。

Dec, 2023

本综述介绍了多种技术在生物医学领域上的成功应用，讨论了数据整合的原则、当前方法和可用的实现，探讨了综合方法的挑战和未来发展方向。

Jun, 2018

本文介绍了一种新的数据提取和探索系统，可以从癌细胞系的科学文献中提取文本实体之间的深层次语义关系，为现有结构化临床数据提供丰富的语义信息，并自动链接基因组拷贝数变异图与相关实体，以及相关文献证据，从而实现更为快捷深入的文献检索。

Jul, 2023

通过整合多个基因表达数据集和领域特定知识，利用知识图谱嵌入方法生成向量表示，并用于分类器，本研究提出了一种新的方法，改善了糖尿病预测。

Apr, 2024

本研究提出了一种基于拓扑属性的流程来帮助医生分析 COVID-19 临床记录，可以提取有意义的路径。该流程包括三个步骤：1）预处理临床记录以提取重要概念，2）构建患者的特征空间以表征提取的概念，最后，3）利用拓扑特性提取可用知识并可视化结果。实验结果证明，该流程能够提取有意义的路径。

Jan, 2021

利用异质、互连、系统级的分子数据来实现个性化医疗，需要开发一种一般的综合性嵌入多尺度分子网络数据的框架，以实现在线性时间内对其进行可解释性利用。

May, 2024

本研究提出了一种利用背景生物网络信息来构建分类模型的端对端框架，应用于基因表达数据和生物网络来进行癌症预后预测，实验结果表明相比于深度神经网络模型，我们的模型取得了更高的准确性，并通过富集分析鉴定了多种癌症类型的贡献基因和通路，从中识别了已知的生物标志和新的生物标志候选物。

Jun, 2023

文章提出了一种结合遗传算法和深度学习的癌症灵感的基因组绘图模型 (CGMM)，用于生成合成基因组以进行研究验证，并证明其在两项不同任务中优于当前四种最先进的基因组生成器，适用于基因组医学的诊断和治疗。

May, 2023

本研究利用图嵌入模型（即 VGAE）对组织特异性基因基因相互作用网络进行链接预测。经过消融实验，我们证明了多个生物模态（即多组学）的组合会导致更强大的嵌入并提高链接预测性能。我们的结果表明，基因甲基化和 RNA 测序数据的整合显着提高了链接预测性能。总体而言，RNA 测序和基因甲基化数据的组合使得基因基因相互作用网络上的链接预测准确率达到了 71％。本研究通过对多组学数据的图表示学习，为当前有关生物信息学中多组学整合研究带来了新的见解。

Jul, 2021