随着高通量方法的发展和成本的降低,大量癌症多组学数据被测量出来。例如,癌症基因组图谱（TCGA）已经收集了来自上万名患者的三十多种癌症的基因组、表观基因组、转录组和蛋白质组等信息,而不同的组学提供了癌症样本的互补和独特特征。与单组学分析相比,多组学数据集成具有显著优势,因为它们能够提供更全面的生物过程视图,揭示复杂癌症的原因和功能机制,并促进精确医疗的新发现。因此,需要能够对多组学数据进行全面分析并可靠地集成从不同来源生成的信息以实现癌症分型的方法。近年来,许多整合多组学数据的集成方法被提出。有些方法的集成方式存在缺陷,例如,LRAcluster算法基于低秩逼近的综合概率模型,可以快速找到多种数据类型之间的低维共享主子空间。然而,该算法直接将组学矩阵拼接在一起,这导致具有更多特征的某个组学矩阵会对结果有更大的影响,这可能是不恰当的。有些方法并没有考虑组学数据异质性的问题,例如,SNF算法使用固定参数的高斯核函数为每个组学数据建立样本相似性网络,没有考虑到组学数据分布可能不同的问题。此外,其构建相似网络时使用的KNN算法具有包含噪音边的倾向。有些方法需要自行调整很多参数,例如i Cluster Bayes,这需要花费较多的时间。有些方法可能会丢失组学信息,例如,PINSPlus对每个组学数据单独得出聚类结果之后再进行集成,这可能会分别丢失每个组学数据中微弱的信息。为此,本文提出了一种基于多核的网络集成方法（Network Integration based on Multi-Kernel,简称NI-MK）用于癌症分型,该方法考虑了组学数据之间的异质性,并且其中的核权重系数能根据组学数据自适应地学习,无需手动设置。而且NI-MK中的一致KNN算法使用全局节点的一致信息,使得样本对之间的相似性或不相似性更准确。方法主要分为以下三个步骤:（1）多核模型对每个组学数据构建相似矩阵;（2）一致KNN算法构建局部相似性矩阵;（3）网络集成算法对这些相似矩阵进行集成。为了验证本文方法NI-MK的有效性,首先将NI-MK与SNF、PINSPlus、LRAcluster、CIMLR、i Cluster Bayes方法在七种癌症的多组学数据上进行比较。实验表明,NI-MK在七种癌症上都能区分出具有较大生存差异的癌症亚型,并且平均而言,其癌症分型结果临床显著性最大,比次优的CIMLR方法提高了53.9%,轮廓系数仅次于CIMLR,说明NI-MK能识别出最有效的癌症亚型,并且聚类效果也非常良好。然后,使用NIMK在七种癌症的组学数据类型组合上进行癌症分型,实验结果表明,使用多组学得到的癌症亚型均比使用单组学得到的癌症亚型生存差异更大,而且比单组学中最优的DNA甲基化组学识别出的癌症亚型的临床显著性提高了120.8%,即NI-MK能对多组学数据进行有效地集成,得到更具有临床显著性的癌症亚型。并且大部分情况下集成越多的组学数据类型效果越好。最后,使用各方法在泛癌症多组学数据集上进行聚类实验,结果表明NI-MK取得了最高的标准互信息（NMI）,比次高的LRAcluster方法提高了10.4%。NI-MK的调整兰德系数（ARI）也为最大值,比第二大的SNF方法提高了15.7%。说明NI-MK对于有金标数据集准确度较高。