在不同的疾病状态下，基因相关性网络经常发生变化。了解这些网络如何在两种不同疾病状态间的重新布局是基因组研究中的一项重要任务。为了实现这一目标，很多差异网络分析模型被提出，但其中大部分方法都是为某种预先定义的数据类型而设计的。随着高通量技术的发展，可以从不同视角收集基因活性测量数据（例如，mRNA表达和DNA突变）。这些不同类型的数据可能享有一些共同的特征，同时也包含这些数据类型所特有的属性。因此，需要新的估计方法来探索不同数据类型所对应的差异网络之间的相似性和特异性。在这项研究中，我们提出了一种新的差异网络推断模型。这个模型通过整合基因表达数据和基因突变数据来识别基因调控网络的重新布局，同时采用Group Bridge惩罚函数来学习不同数据类型间的相似性和特异性。模拟研究表明，我们的方法始终优于对比方法。我们还将这种差异网络推断的方法应用于铂抗性卵巢癌的基因组学图谱数据，并推断与卵巢癌铂抗性相关的基因网络重新布局。这两种数据类型对应的差异网络含有一些共同的差异边，同时也含有数据类型所特有的差异边。此外，在卵巢癌铂抗性的差异网络中共有的枢纽基因在卵巢癌铂抗性中起重要作用。