近年来,多组学数据和机器学习技术的结合是癌症研究的热点,该技术成为了癌症预测的一种新的可操作方式。肾透明细胞癌（ccRCC）作为肾癌（RCC）中最常见的亚型,因为致死率的不断上升成为研究的难点,目前有效的治疗研究非常有限。本文将机器学习方法应用于ccRCC患者的多组学数据中,建立相关模型,从分子水平确定与癌症分型或者癌症进展相关的关键基因,进而为提高患者个性化治疗效果提供理论基础。本文的主要研究内容和主要贡献如下:1.基于复杂网络鉴定关键的ccRCC相关分子。通过相关数据库和WGCNA算法对差异表达的mRNAs（DEmRNAs）、miRNAs（DEmiRNAs）和lncRNAs（DElncRNAs）构建3个单层网络:miRNA-mRNA网络,lncRNA-miRNA网络和lncRNA-mRNA网络。通过度、接近中心性和介数中心性的比较分析,发现hsa-mir-155,hsa-mir-200c,hsa-mir-122,hsa-mir-506,hsa-mir-216b,hsa-mir-141,lncRNA AC137723.1和AC021074.3是与调控ccRCC细胞增殖、转移和侵袭有关的关键基因。将单层网络融合为lncRNA-miRNAmRNA多层网络,网络拓扑表明hsa-mir-122是三层网络中唯一的关键基因。以hsa-mir-122为中心构建lncRNA-hsa-mir-122-mRNA网络,发现hsa-mir-122所连接的靶基因只有GALNT3,通路分析表明GALNT3的缺失影响粘蛋白型O-聚糖生物合成的代谢过程。与hsa-mir-122所连接的有临床曲线意义的lncRNA中只有lncRNA AC090377.1具有靶基因,其通路分析表明GUCY2F富集于视网膜相关的光转导通路中。从单层网络到三层网络的分析表明,hsa-mir-122是ccRCC发生和发展的重要分子,这为进一步研究ccRCC的致癌机理提供了理论基础。2.ccRCC亚型的关键特征的识别。首先,基于共识聚类、K-Means和EM算法,使用mRNA,miRNA和lncRNA的表达数据确定了ccRCC亚型,分别称为透明细胞亚型1（ccluster1）和透明细胞亚型2（ccluster2）。然后,根据ceRNA网络,结合随机森林和贪心算法挑选出最佳组合特征来区分ccRCC亚型。此外,通过单变量Cox回归分析鉴定的具有生存意义的竞争基因对也能较好的识别两大亚型。这些分类特征分别是以mi R-106a,mi R-192,mi R-193b,mi R-454,mi R-32,mi R-98,mi R-143,mi R-145,mi R-204,mi R-424和mi R-1271为相互作用中心的竞争基因对,此时的预测精度超过92%。对这些竞争基因对进行分析发现:mi R-106和OIP5-AS1的变化对ccluster1中的细胞增殖和预后有影响。mi R-145和FAM13A-AS1的变化对ccluster2的细胞侵袭,凋亡,迁移和代谢功能产生影响。同时,发现mi R-192在ccRCC两大亚型中均显示出独特的特征。另外,基因在不同通路中也存在显著差异。ccluster1类的肿瘤基因富集在FcγR介导的吞噬通路,并影响组织的重塑和修复,而ccluster2类的肿瘤基因富集在EGFR酪氨酸激酶抑制剂抵抗通路,并参与细胞稳态调节。这些基因对的鉴定可以为不同ccRCC亚型的治疗提供参考。3.基于复杂网络和机器学习鉴定关键基因。首先通过鲁棒和稀疏相关矩阵估计器构建相关性系数大于0.6的基因-基因相互作用网络,然后结合Page Rank算法和共识聚类挑选出重要基因,发现PR值排名前31的基因识别亚型的效果最好,轮廓系数为0.913。对靶基因进行GO分析,发现ATXN1L、STAT5B、KMT2A、KAT7和ASH1L富集的GO个数最多,这些基因对细胞增殖具有一定的影响。同时,两大亚型的分期和分级的生存分析也很显著,对预后的研究提供了一些理论基础。本文致力于使用机器学习方法对肾癌的多组学数据进行挖掘并构建一系列的预测模型,所发现的关键分子为肾癌的个性化治疗提供了参考,为大数据时代精准医学的发展提供了思路。