癌症基因组学是当前遗传生物学和生物医学领域的重点研究方向,关于癌症致病原理的研究能够有效地指导制定合理的癌症治疗方案和研发癌症治疗药物。另一方面,由于高通量基因测序仪器的发展,个人的基因测序成本大大降低,癌症治疗逐渐向个性化治疗发展,而根据基因测序数据对癌症患病进行预测对于癌症的早期诊断和治疗都有很大的帮助。本文提出了基于深度置信网络的癌症分类模型,利用TCGA计划提供的3281名癌症病人的测序数据,能够根据癌症病人的测序数据进行癌症患病的分类预测,同时能够挖掘模型中隐藏的针对不同癌症疾病的突变基因模式和规律。本文的主要工作集中在两个方面:(1)针对癌症分类预测问题,本文采用的DBN模型通过无监督预训练和有监督训练调整相结合的训练方式,逐层提取了癌症病人测序数据中的特征,同时利用这些层次化的特征数据来进行分类预测,最终在分类性能上超越了SVM、MLP等分类模型。(2)针对癌症突变基因模式和规律的挖掘,本文采用了网络结点激励最大化算法和统计方法相结合的方式进行分析,找出了12种Pan-cancer癌症的关键致病基因,并结合当前在遗传生物学领域的研究结果进行评估和验证。实验结果表明,本文提出的基于深度学习算法的DBN模型在癌症分类问题上具有优秀的分类性能,而且DBN模型能挖掘出针对不同癌症具有研究价值的突变基因模式,为进一步对癌症致病原理的生物学研究提供参考。