准确的生存期预测可以有效地将乳腺癌患者区分到不同的危险程度组,一方面可以让患者获知该预后信息以便做出更好地生活安排,另一方面可以让医疗工作者对患者制定合理的治疗计划和医疗决策,使患者能够得到更为精准的治疗。目前,多组学数据由于新一代测序技术的发展数据量呈现出逐步增长的势态,在乳腺癌生存期预测研究中,整合多组学数据的信息以进而更好地预测乳腺癌患者的生存期,是现今仍待解决的重要问题。本文结合机器学习算法提出了一种预测乳腺癌患者生存期的方法,该方法利用包含甲基化、基因表达和拷贝数变异(CNV)的多组学数据获取患者的生存期标签。针对乳腺癌患者多组学数据的特征选择,本文提出了一种特征选择算法:REL1＿FW,RE指二次,L1指基于L1正则化的逻辑回归(L1LR)算法,FW(feature weight)指特征权重。该方法的特点是使用二次L1LR算法进行高维多组学数据的特征选择,同时结合特征权重系数进行特征筛选。之所以进行二次特征筛选是因为多组学数据维度较高且组学数据之间存在冗余,具体做法是先对单组学数据进行L1LR特征选择得到单组学特征候选集,再在将单组学特征候选集拼接后的多组学数据集上再进行一次L1LR特征选择得到多组学特征候选集,FW指最后通过特征的权重系数排名按要求取排名靠前的特征作为多组学的最优特征子集。同时本文将L1LR算法与常用的四种特征选择算法做了比较,结果显示L1LR算法的准确率高,证实了REL1＿FW的有效性。在对于特征选择后的多组学数据集,本文首先进行了五种常用分类算法的性能比较,实验结果表明性能最优的是支持向量机(SVM)算法,该算法有着高的准确率和良好的稳定性。本文联合REL1＿FW特征选择算法和SVM分类算法对乳腺癌患者的生存期进行预测,实验结果表明预测准确率最高可达99.9%。