cancer subtype 肿瘤亚型分析
肿瘤的传统分型被广泛使用，但是有些分类与生存预后并没有明显的关系，因此需要研究人员开发有效的分类器对疾病进行针对性指导治疗。通过对分子谱与临床信息的综合性研究，重新定义肿瘤亚型，并对新定肿瘤分型进行分析，明确各亚型的发病机制和预后情况的差异。
基本原理：
使用SNFCC +与HC和NMF算法进行分子分型，然后进行分型之间的比较。
CancerSubtypes包含以下5种计算方法对基因组数据进行癌症分子分型鉴定：
1.CC 2.CNMF3.iCluster 4.SNF 5.WSNF
术语解读：
SNFCC+：相似网络融合加一致聚类(Similaritynetwork fusion plus consensus clustering)
HC：层次聚类(Hierarchicalclustering)
NMF：非负矩阵分解(Non-negativematrix factorization)
DEG：差异表达基因
数据要求：
芯片数据，TCGA数据
图形示例：
图注：使用HC算法分出3种分子亚型，图中展示了三种分子亚型的生存预后情况，聚类热图可视化——显示样本聚类的划分程度,平均剪影宽度——代表集群的一致性
图注：使用NMF算法分出3种分子亚型，图中展示了三种分子亚型的生存预后情况，聚类热图可视化——显示样本聚类的划分程度,平均剪影宽度——代表集群的一致性
图注：使用SNFCC +算法分出3种分子亚型，图中展示了三种分子亚型的生存预后情况，聚类热图可视化——显示样本聚类的划分程度,平均剪影宽度——代表集群的一致性
应用示例1：（于2018年9月发表在Journal of Cancer Research and Clinical Oncology，影响因子3.332）
文章通过聚合多个基因组平台数据对皮肤黑色素瘤进行分子分类和亚型特异性表征。通过使用SNFCC +算法分出3种分子亚型，然后对亚型差异基因进行功能富集，亚型的临床病理特征分析，每个亚型的DNA甲基化和表观遗传沉默情况，最后基于表达失调排序推定各亚型特异性生物标志物。
其中文章使用3种算法进行分型，分型情况为下图：
应用示例2：（于2018年8月发表在Cancer Biology & Therapy 上，影响因子2.879）
多组学框架下子宫癌肉瘤的分子分类及亚型特异性药物敏感性研究。分析思路与上文一致，疾病换成了子宫癌肉瘤。
