癌症是导致人类死亡的主要原因之一，揭示其发病原理对癌症的预防与治疗极为重要。DNA甲基 化与癌症的发生发展密切相关，在全基因组层面研究癌症甲基化模式具有重要的理论研究意义与应用 价值。本项目以长非编码基因与蛋白编码基因为研究对象，利用数据挖掘与复杂网络理论与方法，通 过集成甲基化等多源数据构建多层异质网络，挖掘致癌甲基化图模式。研究内容包括：①泛癌症甲基 化图模式挖掘，集成甲基化等多源数据构建泛癌症多层异质网络，研究多层网络的拓扑指标，分析拓 扑结构与癌症的关联性,设计快速、高效算法提取多层网络特异性与共有性模块；②癌症时序网络动 态甲基化图模式挖掘与演化分析，利用特定癌症临床分类信息对患者样本进行分组，构建癌症甲基化 时序异质网络，设计高效算法提取时序网络的动态模块及其演化关系；分析动态模块的生物功能与癌 症恶化过程表型关联关系。

       针对关键学术问题，围绕整体研究目标，项目顺利开展，在国际著名期刊发表与录用SCI论文20 篇，国家专利4项，软件著作权3项，获得的重要结果包括：① 针对癌症恶化过程中时序网络构建难 的问题，通过融合网络拓扑结构与图表示，提出了一系列时序网络预测算法，显著性提高时序链路预 测准确性；② 针对癌症多层、时序网络模块挖掘难的问题，证明了多层网络聚类算法的等价性，研 发出一系列非负矩阵分解算法挖掘演化模块； ③针对基因多组学数据融合难的问题，通过融入专家 知识与拓扑间接关系，研发出一些列癌症网络模式挖掘算法； ④针对单细胞数据挖掘难的问题，提 出了联合学习与深度学习方法对细胞类型进行预测。

       课题研究对于理解疾病发病原理、完善图理论与机器学习等相关领域的基础理论具有积极的推动 作用。研究成果对于揭示生物生命过程的内部结构、复杂疾病的治疗与药物发现具有重要的意义。