癌症作为人类疾病历史上色彩最浓重的一笔,其一直是人类生命和健康的最主要威胁之一。癌症的高死亡率在很大程度上是由于癌症的复杂性及其临床结果的显著差异所致。因此,提高癌症生存预测的准确性具有重要意义,并成为癌症研究的主要领域之一。目前已有许多癌症生存预测的计算模型被提出,但大多只利用单种基因组学数据或者临床数据生成预测模型,目前还未出现有效融合基因多组学数据和临床数据的方法,从而全面地考虑癌症并对其生存期进行预测。为了有效的整合基因多组学数据(包括基因表达、拷贝数改变、基因甲基化、外显子表达)和临床数据,并将其用于癌症的生存期预测研究中,本文提出了一种融合基因多组学与临床数据的基于图卷积的癌症生存期预测方法GCGCN(Integrating Genomic Data and Clinical Data by Graph Convolutional Network),该方法首先利用相似网络融合算法(SNF)对基因多组学数据和临床数据进行整合,生成样本相似度矩阵,同时利用最小冗余最大相关算法(mRMR)对癌症样本的基因多组学数据和临床数据进行特征选择,生成样本特征矩阵,最后利用两个矩阵通过图卷积网络(GCN)进行半监督训练,得到可用于癌症预后生存期预测的模型。GCGCN模型的性能指标表明,基因多组学数据和临床数据在准确预测癌症患者生存期中都起着关键作用。同时与现有的癌症生存期预测方法进行了比较,结果表明融合基因多组学与临床数据的基于图卷积网络的癌症生存期预测方法GCGCN,其模型性能具有显著的有效性和优越性。此外,我们改进GCGCN模型,得到所有特征的重要性指数并取topN特征,通过分析这些特征进一步验证该方法的准确性和可靠性。本研究的所有结果表明,GCGCN在癌症生存期预测方面所具有的有效性和优越性。