甘薯（Ipomoea batatas L.）是旋花科番薯属藤本植物,是世界第六大粮食作物,在世界范围内广泛种植,其具有高产、稳产、耐贫瘠和易于管理的特点,营养价值高,是国家粮食安全的重要保障,也是重要的淀粉工业原材料,保障其稳产、高产和优质一直是生物学家的重要课题。储藏根是甘薯最具经济价值的重要器官,也是构成甘薯产量的重要农艺性状,其形成和发育膨大是由内因和外因共同协同调控的复杂生物学过程,涉及基因组调控、转录调控、蛋白及代谢等多种调控方式,并且各种调控因素之间存在广泛的相互影响。近年来,随着功能基因组学的发展,甘薯品种选育逐渐从传统育种转向了分子育种,深入解析甘薯储藏根发育分子机制是分子育种的基础。随着各种组学技术的发展,我们可以获得越来越多的多种组学层次数据,能够更全面的探究储藏根发育的分子机制,筛选出其中关键的调控因子实现精准育种,多组学数据整合分析已经成为现在的研究热点。然而,生物组学数据一般样本数比较少,基因数目多,其中,只有少数的基因与特定表型密切相关,这样会对关键基因选择的精度产生比较大的影响。对于这种高维多组学数据,为了选取出与特定表型真正相关的少部分关键基因、降低模型复杂度、提升其精度,我们需要进行变量选择和降维处理,过滤掉与表型无关的基因。本研究中,我们针对甘薯根系的m RNA组学数据和mi RNA组学数据进行了整合分析,考虑到两种组学数据间的相关关系,我们首先利用基于典型相关分析（Canonical Correlation Analysis,CCA）方法的Sm CCNet模型构建与甘薯根系重量表型特异相关的多组学整合网络。为了从构建出的网络群组中筛选出与表型相关的关键变量,我们采用两级变量选择,同时对重要的分组和组内关键的变量进行筛选。本研究中,我们使用双层惩罚来实现两级变量选择,在内层,我们使用正则来实现对组内变量信息的筛选;在外层,我们使用凹惩罚将群组结构保留在模型中。此外,生物组学数据往往具有较高的噪声,这使得我们很难估计模型的结构。这里,我们引入稳定性选择来获得精度更高的模型。稳定性选择将变量选择算法和子采样相结合,通过控制采样的样本量来降低变量选择的错误率,提高模型精确度。本研究中,我们对全部样本随机采样100次,每次选取2/3的样本作为训练集,然后利用两级变量选择方法进行组学变量选择,并选择出高频率变量进行线性回归建模。本文将SmCCNet、bi-level Lasso和稳定性选择相结合,提出一个多组学数据整合分析模型,并利用该模型对甘薯m RNA组学和mi RNA组学数据进行了实证分析,大部分选出的高频率组学变量具有重要的生物学意义。进一步,我们线性回归建模的结果显示,与目前流行的单组学Lasso方法、多组学Lasso方法和多组学GLasso方法相比,基于Sm CCNet、bi-level Lasso和稳定性选择的回归模型的预测结果与真实值最接近,预测误差最小,具有更优越的预测性能。