CancerSubtypes包整合了四种主要的计算方法 ，这些方法在癌症亚型鉴定方面被高度引用。CancerSubtypes为数据预处理，特征选择和后续结果分析（包括结果计算、生物学验证和可视化）提供标准化框架。

每个步骤的输入和输出都以相同的数据格式打包，便于比较不同的方法。

CancerSubtypes是用于癌症亚型分析的软件包，包括从数据集处理到结果验证的各种功能。

在CancerSubtypes软件包中，我们提供了一个统一的框架，分析癌症亚型的原始数据以及结果可视化。主要功能包括基因组数据预处理、癌症亚型鉴定、结果验证、结果可视化和比较。

CancerSubtypes为基因组数据预处理提供了常见的数据插补和归一化方法。同时，有四种特征选择方法来筛选基因组数据集中的关键特征。常见的癌症亚型识别方法集成在此软件包中，例如共识聚类（CC）[来自R包ConsensusClusterPlus]，共识非负矩阵分解（CNMF）[来自R包NMF]，综合聚类（iCluster）[来自R包iCluster]，相似性网络融合（SNF）[来自R包SNFtool]，SNF和CC的结合方法（SNF.CC）和加权相似性网络融合 （WSNF）。

我们以统一的输入和输出数据格式应用这些癌症亚型识别方法。分析癌症亚型的过程可以在标准工作流程中轻松进行。CancerSubtypes提供了最有用的特征选择方法和亚型验证方法，帮助用户专注于他们的癌症基因组数据，并且可以轻松地以可视化的方式比较和评估不同方法的结果。

对于基本数据处理，CancerSubtypes提供了数据分布检查、数据插补和归一化以及特征选择的方法。CancerSubtypes包中有四种特征选择方法（方差-Var，中位数绝对偏差-MAD，COX模型，主成分分析-PCA）。所有数据处理方法都具有相同的输入和输出数据格式。

原始基因组数据集始终包含缺失的观察结果，尤其是在微阵列基因表达数据中。在极少数样本中移除所有缺少观测值的特征是不明智的，因为有用的信息将被丢弃。常用方法是为缺失的观测值插补适当的值。CancerSubtypes为基因组数据集集成了三种常见的插补方法。