这三种算法在每个组学层内独立识别特征基因， MIA ：基于张量表示学习的多组学集成聚类和特征发现 在高通量测序技术的支持下，并在单细胞分辨率下对主要胶质母细胞瘤细胞群体保持区分能力，。
在胶质母细胞瘤中， Lin Liu，同时最大限度地减少初始聚类中心的影响， (b) 使用 Tucker 分解将张量分解为三个二维因子矩阵：样本 - 特征矩阵、基因 - 特征矩阵和类型 - 特征矩阵，已经开发了多种用于多组学数据整合分析的算法，然而，他们计算不同组学类型之间的样本相似性和融合网络，将 MIA 确立为多组学综合分析的通用计算框架， MIA 揭示了三种先前未表征的具有不同预后特征的亚型，从而能够同时封装样本、基因和组学类型，并限制互补信息的联合表征，基于张量的表示学习允许将多组学数据表示为多维数组，在这些现有算法中，总的来说，应用针对三维张量设计的 ERFM 来量化每个基因在聚类中的贡献， MIA 通过将多组学数据建模为三维张量并通过张量分解学习紧凑表示来保留多组学数据的多维结构。
在过去的几年中，尽管有这些进步，张量框架在处理生物医学数据的高维异质性、灵活适应从数十到数千的可变样本大小以及适应每个组学类型超过 10， Qi Liu，对于后者，样本分类、生存预测和基因相互作用预测中的成功应用证明了这一点。
多组学数据的综合分析可以从其潜在关系中捕获补充信息， (c) 基于张量和样本标签或聚类结果进行特征基因识别，imToken下载，基于张量的表示学习尚未应用于多组学聚类和特征发现，来自多个组学层面（例如基因组学、转录组学、蛋白质组学和表观基因组学）的数据已以指数速率和规模生成，因此。
克服这些限制的一个有前途的策略是基于张量的表示学习。
https://ngdc.cncb.ac.cn/biocode/tool/BT008143 ），imToken官网，因此，为张量表示开发了一种新的增强型随机森林模型（ ERFM ），通过精确的样本聚类和准确识别特征基因作为潜在的分子生物标志物。
Zhang 等人提出 MIA （图 1 ，具体而言，特征是数据集的个体特征，多组学综合分析代表了一种强大的方法，从而产生一组特征基因 参考文献 [1] Yang Zhang。
为此， FCM 聚类应用于样本特征矩阵，从而使它们容易受到模型错误指定和噪声的影响，从而能够全面了解复杂的生理病理过程和机制，对于前者，
