癌症是由于细胞丧失正常调控并发生异常生长而产生的一种疾病,癌症的产生、发展、转移和恶化都具有复杂的生物过程。根据癌细胞在生物体内的作用位置可以将癌症分为很多种类,根据分子标志物以及病人临床表现又可以将同一癌症分为不同子类型。癌症子类型的研究不仅可以全面的了解癌症,也可以为患者提供更精准的治疗方案。通过基因表达等单一数据类型来研究癌症子类型通常无法捕获癌症分子表型的全部复杂性。随着高通量测序技术的发展,目前已经产生了大量的基因组、转录组、表观基因组和蛋白质组等多组学数据。通过多组学集成分析来进行癌症子分类能够综合多个层面的分子特征,显著提高癌症子分类效果。但是,由于生物系统的复杂性以及不同组学数据之间的异质性,多组学集成分析仍然是一项艰巨的任务。目前已有大量的多组学数据集成方法用于癌症子分类。有一部分方法对数据的分布具有很强的假设,例如,i Cluster方法假设连续型数据服从高斯分布,但由于数据自身的特性以及测量误差使得实际得到的数据可能不满足这种假设,从而影响结果的正确性;此外,另一部分方法忽略了单一组学数据内部特征的差异性,例如CIMLR方法将单个数据类型作为整体计算核矩阵并确定权重系数,忽略了单一组学数据内部特征的差异性,即不同特征权重系数可能不同。为此,本文提出一种基于特征分组的熵正则化多核k均值方法,用于癌症子分类。该方法不需要对数据的分布做假设,并且考虑了单一组学数据内部特征的差异性。方法主要分为以下三个步骤:(1)对不同类型的数据采用NMF算法进行特征分组;(2)对分组后的数据使用高斯径向基核函数计算对应的核矩阵;(3)使用本文改进的熵正则化多核k均值方法,对之前得到的核矩阵进行集成并聚类,得到最终的癌症子分类结果。为了验证熵正则化多核k均值方法的有效性,本文使用多核k均值方法文章中构造的模拟数据集,将该方法与传统的多核k均值方法进行比较。实验表明,改进后的方法相比于传统多核k均值方法在调整兰德系数(ARI)和标准互信息(NMI)等聚类指标上有显著提升。随后,构建三种不同类型的模拟数据从聚类准确性和方法鲁棒性两个层面,验证引入特征分组的思想对于熵正则化k均值算法的提升,实验结果表明引入特征分组之后,方法在ARI和NMI等聚类指标上均有较好的结果。最后,选取TCGA数据库中Breast、AML、GBM、Colon和Liver五种癌症的基因表达、mi RNA表达和DNA甲基化数据,运用该方法分别进行数据集成及癌症子分类,并与现有的基于数据集成的癌症子分类方法SNF、i Cluster Bayes和CIMLR等进行比较。在有金标的Breast癌症数据上计算ARI和NMI等聚类指标,在另外四种没有金标的癌症数据集上进行生存分析,绘制KM生存曲线并计算Cox Log-rank test p-value来评价每种癌症的子类型临床生存时间的差异显著性,随后通过绘制癌症子类型样本三种组学数据分布的箱线图,并计算Kruskal-Wallis检验统计量来评价每种癌症子类型基因表达、mi RNA表达和DNA甲基化的差异显著性。实验结果表明,在五种癌症数据集中该方法在上述指标中的表现均优于现有的癌症子分类方法,从而表明本文提出的基于特征分组的熵正则化多核k均值方法在癌症子分类问题上有较好的表现。