癌症是一种身体的某些细胞不受控制地生长并扩散到身体其他部位的疾病,是在世界范围内公认的致死率很高的疾病之一,也是人类的主要死亡原因。癌症具有发病率高、死亡率高、预后效果不好等特征。随着高通量测序技术的发展和现代生物信息学工具的快速进步,使得我们可以轻松的获得大量的癌症的基因组学数据,为癌症的诊断和治疗提供了新的研究方向。与此同时,很多研究机构建立了公共数据库以便能够获得大量高质量的生物组学数据,为研究人员收集此类数据并进行相关研究提供了便利。癌症分化度是根据癌症组织的某些特征对癌症进行分类的一种方法。具体来说,癌症分化度是癌细胞与正常细胞对比异常程度的描述。同时,它也是癌症精准诊断、治疗和机制研究的重要课题。与分期相比,分化度可以更好的反映癌症细胞或组织生长的速度和异质性程度。然而现在对癌症样本分化度的判定是基于病理学家通过显微镜观察进行判定的,这种方法会受不同人主观的影响,所以需要一种利用组学数据对癌症分化度进行预测的算法。癌症组织的发展方向从高分化到低分化的,然而驱动癌症从高分化进展到低分化的机制尚不清楚。对癌症的分化机制的研究可以使我们对癌症的发展有新的认识。本文以癌症的分化度为研究对象开展研究,主要研究癌症分化度的分类问题,目前现有的大多数计算方法都是通过对特定类别（阶段、分级和亚型）的癌症样本与对照组的差异基因表达进行分类来解决这个问题。然而,这种分类技术的性能通常并不令人满意,原因是差异表达模式的识别能力是有限的。本文的主要工作如下:1.提出一种基于给定样本和特定类别样本集的共表达模式的一致性水平来预测癌症组织分化度的方法。该预测方法的基础是,同一类别或分化度的癌症样本具有相同的共表达模式,在癌症中共表达模式往往比差异表达模式更保守。基于该想法把基因表达形式的样本转换成共表达网络形式的样本,随后为每个癌症类型训练一个深度神经网络模型,使用smote算法解决样本不平衡问题,使用支持向量机递归特征消除（SVM-RFE）算法进行特征选择,加入dropout层解决过拟合问题,随后对样本分化度进行预测。为了验证模型效果本文使用多个指标评估模型效果,测试结果显示,模型可以很好的预测不同癌症样本的分化度组,预测准确率平均达到85%以上。2.本文使用一种新的基于共表达网络的富集分析方法,通过这种功能分析方法发现了随着癌细胞从高分化状态到低分化发展哪些功能被增强,哪些功能被抑制。并且我们对富集分析的通路列表进行总结,得到了不同分化度共有的功能特征和每个分化度独有的功能特征。癌症发展是癌症组织某些功能退化和某些功能增强的过程,了解哪些通路在癌症发展中起重要作用,有助于探索癌症治疗的研究方向。3.很多研究表明,癌症和慢性疾病的发展都有可能涉及多种类型的压力源,所以本文使用一种基于基因集变异分析（GSVA）和单因素方差分析的方法,分析癌症组织中氧化压力和缺氧压力与分化度之间的关系。