单一机器学习算法已广泛应用于癌症预后的预测中,但由于功能相似的基因之间存在冗余信息,使得这些方法在进行特征筛选时容易忽略一些与疾病相关的基因。为了能得到相对更稳定模型及更全面的癌症相关基因集,我们尝试了集成机器学习算法。该方法不仅可将多个机器学习方法集成在一起,通过投票的方式对最终结果进行预测,还可整合多个检测平台的数据,如mRNA测序平台、miRNA测序平台等,利用不同平台从不同角度对同一样本的"表征",实现对样本更为准确的分类。研究中,针对4类肿瘤数据,我们分别采用5种变量选择方法来分别对mRNA和miRNA两种测序平台进行变量的筛选以及利用7类建模方法,总计建立了980个单一预测模型,分别对各数据集中的病人预后指标进行预测。此外,同时对比利用投票的方式将7类建模方法进行集成后的预测结果。研究结果表明,对于癌症预后的预测,我们提出来的集成学习算法比单一的机器学习算法更可靠,并且我们的算法可以提供更全面、更完整的筛选出癌症相关的基因,从而可以更好地促进癌症机制的探索和潜在的药物靶标的识别。由于该工作仅在探索集成机器学习算法的优势,因此在预测时,并没有加入任何关于癌症基因的先验知识,如在实际应用中,根据先验知识对癌症基因进行预筛选,应能获得更准确的预测结果。