癌症是在众多因素共同作用下发生的复杂疾病,会严重危害人类的健康。由于癌症的复杂性,从单一类型的数据中识别出的关键模块通常无法用于全面探究癌症的致病机理。随着测序技术的发展,涌现了大规模的多维基因组数据,这为研究人员对癌症的探究提供了新的视角。整合分析癌症的多维基因组数据,继而识别包含不同层次的生物分子信息的关键模块将有助于探索癌症发生发展的潜在机理,最终能为癌症的早期筛查和临床治疗提供理论依据。在联合非负矩阵分解（JNMF）算法理论的基础上,本文分别提出了稀疏正交正则化联合非负矩阵分解（SOJNMF）算法和网络正则化约束的稀疏正交正则化联合非负矩阵分解（NSOJNMF）算法用于癌症的多维基因组数据中识别了癌症的关键模块。分析结果表明,这两种算法有效地解决了JNMF算法和一些同类算法在实践应用中存在的问题。本文的工作如下:（1）为了保证分解后矩阵的稀疏性以及减少各个模块之间的冗余度,在JNMF算法框架的基础上,本文将L1范数应用于系数矩阵的同时引入正交正则化来约束系数矩阵,提出了SOJNMF算法,并将其应用于肝癌的多维基因组数据,最终识别了238个关键的mRNA-miRNA-甲基化模块。性能比较的结果表明,SOJNMF算法能明显降低识别的238个关键模块之间特征的重叠率,且AUC值要高于JNMF算法和SJNMF算法。功能富集分析结果表明,这238个模块中的大部分都有生物学意义。此外,这些模块的富集分析结果中富集最多的GO生物学过程和KEGG通路均与肝癌的发生发展密切相关。置换检验的结果表明,238个模块中59.6%的模块内部不同数据类型的特征在统计学意义上显著相关。这些结果表明SOJNMF算法能有效识别与肝癌相关的关键mRNA-miRNA-甲基化模块,有助于在多维基因组数据的层面上研究与肝癌相关的生物学途径的调控机理,对肝癌的临床研究和早期诊断具有参考意义。（2）为了识别miRNA、mRNA和lncRNA之间的关系,本文提出了NSOJNMF算法来识别与癌症相关的ceRNA共模块,以帮助了解癌症内RNA的表达模式和潜在分子机制。该方法以网络正则化的方式整合了RNA数据之间的相互作用关系,同时通过稀疏约束和正交正则化约束有效防止多重共线性,最终产生良好的模块化稀疏解。将NSOJNMF算法应用于肝癌数据集和和结肠癌数据集,分别识别出了200个肝癌的关键模块和210个结肠癌的关键模块。对这些模块的富集分析结果表明,90%以上的模块与癌症的发生发展密切相关。此外,由ceRNA共模块构建的ceRNA网络不仅准确地挖掘了三种RNA分子的已知相关性,而且还进一步发现了它们潜在的生物学关联,这可能有助于探究多种RNA之间的竞争关系及肿瘤发展的分子机制。这表明NSOJNMF算法可有效识别ceRNA模块,能够为未来验证基因组学数据中多种RNA之间的竞争关系影响肿瘤的发展这一观点提供理论支持和基础。