癌症是一种成因复杂、异质性强、且目前很多病人得不到有效治疗的复杂疾病。根据多组学信息对癌症分子亚型有效地划分是基础生物学研究向临床医学转化的重要一环。虽然多组学数据中包含丰富的信息,有助于更加精确地进行分子分型,但是由于高通量组学数据高维度、多噪音、数据稀疏等特点,以及多组学信息之间存在的信息差异,目前仍然没有能够对所有类型数据都高效、效果好、可解析的方法,所以本文提出了MVSSNMTF(Multi-View Simultaneous Symmetric Non-Negative Matrix Tri-Factorization)算法,该方法基于不同的相似性度量方法为每个组学数据生成多个相似性矩阵作为观测组学数据的不同视角,如调整余弦相似度,欧氏距离相似度和曼哈顿距离相似度。然后采用改进的SSNMTF方法将每个组学的相似性矩阵分解为子矩阵。接下来,融合从不同矩阵得到的公共子矩阵以获得相似性连接图,并使用图切割算法从中识别出子类型。本方法在模拟的相似性矩阵数据上分型,准确率达到了100%,与目前多视图社区发现算法中效果最好的NG-WSSNMTF(Natural Gradient Weighted Simultaneous Symmetric Non-Negative Matrix Tri-Factorization)取得了同样的成绩。在四组模拟组学数据上,MVSSNMTF在准确率方面与表现最优的SNF(Similarity network fusion)和iCluster(Integrative clustering)等方法相仿,而且稳定性优于SNF。在真实的TCGA(The Cancer Genome Atlas)乳腺癌和肺腺癌多组学数据集上,用多种多组学分型方法来分析经过相同预处理和特征筛选的多组学数据,发现无论如何选择分型数量,MV-SSNMTF在生存分析上都取得了最好的效果。尽管在耗时方面略超SNF,但远远优于其他方法。总体而言,MV-SSNMTF是一种简单,有效且可扩展的算法,可以应用于基于多组学数据的肿瘤分型,也可以扩展到其他应用领域。该方法已经整理成python包,可以在https://github.com/QixiongLee/MVSSNMTF下载后安装并使用。