基于包含邻居信息的相似网络融合对癌症亚型进行聚类

近年来随着人类基因图谱计划和癌症基因图谱计划的实施,大量的癌症数据集体涌现。如何将这些数据有效地集合起来,利用其互补性来区分癌症亚型变得尤为重要。现存在的很多方法大都根据单一的数据类型对癌症亚型进行聚类,这些方法忽略了数据之间交互影响的信息。相似网络融合(Similarity Network Fusion(SNF))是一种可以把不同数据类型融合到一起的有效方法,其中构建样本之间的相似网络是该方法的重要步骤之一。本文提出包含邻居信息的相似网络融合(Neighborhood-Information-Embedded Similarity Network Fusion(NSNF))方法,用包含邻居信息的多重紧密k近邻方法代替原有的k近邻方法来构建相似网络,并将其运用于癌症亚型聚类。最后用4种癌症的实验数据证明了提出的NSNF方法比传统的SNF方法在聚类性能上有了很大的提高。