基于转录组学数据嵌入无监督学习的癌症亚型分型

癌症是全球最致命的疾病之一。准确的癌症亚型诊断与分类对于有效的临床治疗不可或缺。随着各种深度学习方法的出现，近期已有关于自动癌症亚型分型系统的可喜成果发表。然而，由于高维与小样本，此类自动系统常对数据过拟合。本文中，我们提出从无监督学习视角出发，通过直接构建底层数据分布本身来研究自动亚型分型，从而可生成充足数据以缓解过拟合问题。具体而言，我们通过向量量化绕过了无监督学习亚型分型文献中通常存在但因样本量小而不成立的强高斯性假设。我们提出的方法能更好地捕捉潜空间特征并从分子层面建模癌症亚型表现，广泛的实验结果证明了这一点。