本专著主要介绍了基于癌症多组学数据进行相似性学习，从而实现患者癌症亚型的预测的相关内容。由于组学数据的高维小样本特点，相似性学习方法仅需要考虑样本间的相似度值，相比与基于特征学习的方法，其计算复杂度更低，同时能够挖掘患者间的相似关系。目前基于相似性学习进行癌症亚型预测的方法存在以下问题：1）无法构建高质量的相似图；2）在数据融合过程中没有充分考虑多组学数据的丰富信息；3）相似图学习和聚类过程无关联。针对上述问题，本专著利用拉普拉斯秩约束、平滑子空间学习、潜在表示学习、图卷积网络等理论提出了多种癌症亚型预测方法，这些算法不仅丰富了机器学习理论，也获得了与癌症发生、发展密切相关的成果，具有一定的理论价值和实用价值。本专著适合从事机器学习、深度学习、生物信息学领域的研究者阅读。