本文概述了多组学数据分析所面临的数据挑战，深入探讨了多模态学习和融合方法并归纳了当前已有的软件工具及开源数据集，最终提出解决方案以推动多组学数据分析的发展。

Nov, 2022

在这篇论文中，我们介绍了在组学数据背景下一些机器学习技术的使用。我们具体评估了随机森林和惩罚性多项逻辑回归在胰腺癌的基因组学和免疫组学整合分析中的应用，并提出了使用关联规则来解决之前提到的模型的较低预测能力问题。最后，我们将这些方法应用于由 107 个胰腺肿瘤样本和 117,486 个生殖细胞系单核苷酸多态性 (SNPs) 构成的 TCGA 真实数据集，展示了这些方法在预测胰腺癌中的免疫浸润表现中的良好性能。

Feb, 2024

通过对多组学数据的分析，该研究利用 MoCLIM 框架，独立提取来自不同组学模式的信息特征，从而改善癌症亚型分类结果，并基于对不同组学模态的对比学习实现了癌症亚型的低维空间聚类。实验证据表明，该方法在少量高维癌症数据实例中显著提高了数据拟合和亚型分类性能，并在最终组件中结合了各种医学评估，从而提供了高可解释性的医学分析。

Aug, 2023

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

利用统一模型进行多模态多视角预测，解决长期的医疗记录中数据缺失的问题，并证明了方法的有效性和数据的重要性。

Mar, 2024

通过多模态框架和生物学洞察来提高癌症生存预测准确性。

Mar, 2024

本研究提出了一种新的框架，以数字方式评估在统计分析背景下处理缺失数据的策略，特别关注多重插补技术，并在 National COVID Cohort Collaborative 提供的大型 2 型糖尿病患者队列上进行了实证研究，结果显示多重插补技术可以有效地处理缺失数据。

Jun, 2022

本研究提出了一种新的方法，利用全基因组测序（WGS）数据和参考代谢物对未知代谢物进行插补。该方法通过多视图变分自编码器来联合建模负担得分、多基因风险得分（PGS）和连锁不平衡（LD）剪辑单核苷酸多态性（SNPs），以进行特征提取和代谢组学数据插补。通过学习两种组学数据的潜在表示，我们的方法可以基于基因组信息有效地插补缺失的代谢物值。本研究证明了该方法在实际代谢组学数据集上对缺失值进行插补的性能优于传统的插补技术，将全基因组测序数据与代谢组学数据整合不仅可以提高数据的完整性，而且可以增强下游分析，为代谢途径和疾病关联的更为全面和准确的研究铺平了道路。

Oct, 2023

AI 驱动的精准肿瘤治疗具有转变癌症治疗的潜力，通过利用 AI 模型分析复杂患者特征与相应治疗结果的相互作用，以及新技术平台提供的多模态肿瘤生物学数据，开展数据驱动的临床决策改进研究。该研究提出了一个模块化机器学习框架，旨在通过一组训练于多种多组学技术的机器学习专家，为个性化反事实癌症治疗建议提供支持，并提供决策的置信度和解释。该框架解决了数据驱动癌症研究中的关键挑战，并通过使用卵巢癌患者的体外和体内治疗反应数据，全面演示了其效用，旨在赋予临床医生一种现实中心的决策支持工具，以根据个体癌症患者的多组学特征来个性化治疗策略。

Feb, 2024

通过 IntegrAO（Integrate Any Omics）整合不完整的多组学数据和分类新样本的方法，可以在癌症患者分层中解决多组学数据集成的挑战，并准确分类具有部分组学数据的新患者，从而提供了一种整体性的患者特征化方法。

Jan, 2024