胃癌是世界范围内最常见的恶性肿瘤之一,也是癌症相关死亡的主要原因。胃癌的高发病率和高死亡率反映出其诊疗手段的不足。目前肿瘤切除仍是胃癌治疗的唯一潜在治愈手段,但即使接受根除性手术切除并伴随辅助化疗,其预后仍不理想。随着精准医疗的发展,胃癌虽已有临床可用的靶向药,但被批准用于一线治疗的只有曲妥珠单抗,且只能用药于HER2阳性患者。对于HER2阴性胃癌患者的标准治疗方式依然是以化疗为主,但并非所有患者都能从化疗中获益。目前已有研究表明分子分型能够指示哪些患者可能于化疗中获益,且近年来深度学习在癌症组学预后研究中展示了巨大的潜力。为解决胃癌精准化疗,本研究首次将深度学习应用于胃癌蛋白质组学,开展了以下研究:1.基于深度神经网络,建立蛋白质组分子分型框架。本研究利用833例经手术切除的TNM分期为II/III期的胃癌样本,建立基于深度学习特征提取的蛋白质组分子分型框架。该框架包括一个基于深度学习自动编码器特征提取的一致性聚类工作流程和一个随机森林分类器。利用该工作流程我们在发现集上鉴定到了两个具有生存差异的亚型:S-I和S-II。此外,在S-I亚型中,与仅接受手术的患者相比,接受辅助化疗的患者在5年生存率上有显著改善（65.3%vs 52.6%,log-rank Pvalue=0.014）;但S-II亚型并无改善（54%vs 51%,log-rank P-value=0.96）。随后,我们利用随机森林分类器在独立验证集上验证了两个亚型,模型在训练集上结合十折交叉验证的AUC值平均为0.92,在测试集上AUC值为0.91。2.基于两种可替代的方法证明自动编码器提取的特征在预测预后和化疗获益人群方面的优势。本研究利用主成分分析和一致流形逼近与投影降维算法替代一致性聚类工作流程中的自动编码器提取特征进行一致性聚类,结果发现基于自动编码器鉴定到的亚型生存差异更显著,以此证明了自动编码器提取的特征在预测胃癌预后和化疗获益人群方面具有优势。3.证明本研究建立的一致性聚类工作流程具有可扩展性。基于两组临床公开可用的胃癌数据集测试本研究建立的基于深度学习自动编码器特征提取的一致性聚类工作流程,成功鉴定到具有生存差异的亚型,证明了一致性聚类工作流程具有可扩展性。