我们提出了一个基于注意力机制的无监督对比学习框架（AMUCL），用于分析癌症多组学数据以识别和表征癌症亚型。其中，基于多头注意力机制的 DMACL 模型用于学习多组学数据特征和聚类，并识别新的癌症亚型。通过计算特征空间和样本空间中样本之间的相似性，该无监督对比学习方法将亚型聚类。相较于其他 11 个深度学习模型，在单细胞多组学数据集上，DMACL 模型获得了 0.002 的 C-index、0.801 的轮廓系数和 0.38 的戴维森堡丁指数。在癌症多组学数据集上，DMACL 模型获得了 0.016 的 C-index、0.688 的轮廓系数和 0.46 的戴维森堡丁指数，为每种癌症类型提供了最可靠的癌症亚型聚类结果。最后，我们在 AMUCL 框架中使用 DMACL 模型揭示了 AML 的六个癌症亚型，并通过 GO 功能富集分析、亚型特定的生物学功能和 AML 的 GSEA 进一步提高了基于可推广的 AMUCL 框架的癌症亚型分析的解释能力。

Jul, 2023

通过提出一种新的聚类方法，我们可以利用基因表达谱划分癌症亚型，提高聚类效果，并与医学分析方法相结合，进一步证明其与患者生存率的高相关性。

Jun, 2022

我们提出了一种监督式多头注意机制模型（SMA）来成功分类癌症亚型。SMA 模型的注意机制和特征共享模块可以成功学习多组学数据的全局和局部特征信息。通过与 AE、CNN 和 GNN 等模型在模拟、单细胞和癌症多组学数据集上进行广泛实验验证，SMA 模型相比其他模型在准确性、F1 宏观值、F1 加权值和癌症亚型分类上取得了最高的精度，因此为基于多组学数据的未来研究做出了贡献。

Aug, 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

癌症的复杂性和对治疗的不同反应使得基于组学序列分析的精准肿瘤学成为当前的标准。然而，每个患者产生的大量数据使得快速确定最佳治疗方案变得困难。为了改善对有效药物 - 细胞系对的学习能力，我们提出使用对比学习来改进药物和细胞系的表示，从而保留与药物作用机制和细胞系癌症类型相关的关系结构。除了相对于现有方法实现了更好的性能外，我们发现使用我们学习到的表示的分类器在进行预测时对药物和细胞系特征的依赖更加平衡。这有助于基于与药物耐药性相关的信号提供更个性化的药物优先级选择。

Oct, 2023

综述了采用基于生物医学知识的机器学习方法在癌症诊断和预后方面的研究现状和发展方向。

Jan, 2024

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

本文提出了一种基于深度学习的多组学（multi-omics）数据集成方法 CLCLSA，利用跨组学自动编码器学习生物数据的特征表示，采用多组学对比学习和自关注机制实现数据集成，通过在四个数据集上的实验证明其在应用不完整数据进行多组学分类上具有优异性能。

Apr, 2023

该研究提出了一种新颖的方法，通过融合多组学数据实现对癌症亚型的识别。所提出的方法名为 LIDAF，利用基于不同组学数据之间和内部的线性关系的亲和矩阵（线性组间和组内数据亲和融合）进行聚类。该方法通过使用经典相关分析基于欧氏距离生成距离矩阵，将距离矩阵转换为亲和矩阵，并通过三步融合。所提出的 LIDAF 方法解决了现有方法的局限性，显著提升了聚类性能，通过调整后的兰德指数和归一化互信息分数进行评估。此外，我们提出的 LIDAF 方法通过 Cox 生存分析获得的 50% log10 等级 p 值也得到显著提高，超过了目前报道的最佳方法的性能，突显其识别不同癌症亚型的潜力。

Dec, 2023

本文研究了图对比学习在生物医药领域中的应用，提出了一种利用本地和全局领域知识来辅助表示学习的框架 MoCL。使用双重对比目标学习整个模型。在不同的分子数据集上进行了评估，结果表明 MoCL 达到了最先进的性能水平。

Jun, 2021