摘要
从多组学谱中进行癌症亚型鉴定对于理解肿瘤异质性和推进计算精准肿瘤学具有重要意义。已提出多种亚型鉴定方法，其中基于图的方法通过从异质分子谱中捕获患者间关系，已成为一种广泛采用的范式。然而，所学患者相似性图的可靠性仍是一个关键挑战，因为由高维和异质组学测量引起的噪声边或虚假边可能会损害亚型区分能力。为了解决这一问题，我们提出了拓扑感知张量图学习（TaTGL），这是一种用于癌症亚型鉴定的无监督多组学聚类框架。TaTGL 首先使用一种整合了分子谱距离与共享邻域一致性的拓扑感知距离度量来构建特定组学的患者图。此外，为了利用不同组学视图之间的互补信息和一致信息，所得到的图通过基于频率加权 t-SVD 的张量图学习进行集成，从而捕获高阶跨组学结构一致性。在多个癌症亚型数据集上的实验研究表明，TaTGL 在标记数据集上取得了具有竞争力或更优的聚类性能，并在基于生存的数据集上识别了具有临床相关性的患者亚组。这些结果表明，所提出的方法能够从异质多组学谱中发现分子上一致且具有临床意义的癌症亚型。
