癌症表现出由多方面分子相互作用驱动的多样而复杂的表型。 最近的生物医学研究通过整合多组学数据集(基因组,蛋白质组,转录组,表观基因组)强调了对这些疾病的全面研究。 这种方法提供了一种识别与癌症相关的遗传变异的有效方法,并提供了对疾病如何发展和扩散的更深入了解。 然而,与单一组学相比,理解多组学数据集特征之间的复杂相互作用具有挑战性。 在本文中,我们分析了来自The Cancer Genome Atlas(TCGA)的肺癌多组学数据集。 使用四种统计方法,LIMMA,T测试,Canonical Correlation Analysis(CCA)和Wilcoxon测试,我们确定了跨基因表达,DNA甲基化和miRNA表达数据的差异表达基因。 然后,我们使用内核机器回归(KMR)方法集成了这些多组学数据。 我们的发现揭示了三种组学组学之间的显著相互作用:基因表达,miRNA表达和肺癌中的DNA甲基化。 从我们的数据分析中,我们确定了38个与肺癌有显著关联的基因。 从我们的数据分析中,我们确定了38个与肺癌有显著关联的基因。 其中,排名最高的8个基因(PDGFRB、PDGFRA、SNAI1、ID1、FGF11、TNXB、ITGB1、ZIC1)通过严格的统计分析凸显出来。 此外,在二氧化硅研究中确定了三种顶级的潜在候选药物(Selinexor,Orapred和Capmatinib),这些药物可能在肺癌的治疗中发挥关键作用。 这些药物也得到了其他独立研究结果的支持,这些研究强调了其在对抗肺癌方面的潜在功效。