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

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

跨群体整合多组学单细胞数据的新方法，通过学习统一细胞表达，实现无需全模态参考样本的跨域关系和特征填充，为单细胞聚类、分类和特征填充等任务提供了稳健的解决方案。

May, 2024

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

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

综述了近 300 篇有关精准肿瘤学中多模态数据融合技术的前沿研究，总结了早期评估、诊断、预后和生物标志物发现等主要临床应用的重大成果，并深入分析了未来研究领域中的关键挑战和必要路径。

Jun, 2024

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

本文研究使用多组学数据作为协变量自动预测结果的方法，提供了现有预测方法的文献综述，并使用 13 个公开的多组学数据集比较了这些方法的预测性能，讨论了这些比较性研究的结果和初步结论。

Feb, 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

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