近年来,随着高通量测序技术的迅速发展和成本的降低,越来越多的包含高质量组学数据的公共数据库被研发出来。因此,生物信息学领域的研究人员对组学数据的研究也从原来的仅仅使用单一组学数据发展到同时使用多种组学数据。同时,癌症的分级以及分型作为一种复杂性状,都具有不同的临床、病理和分子特征,并且具有预后和治疗意义。因此,关于癌症分级分型的研究对于精准医学和癌症的预后预测具有重要意义。虽然,很多研究人员已经开始研究癌症分化度以及亚型的分类预测,但是很多相关方法是基于传统机器学习的,并且大多都是基于单组学数据的。而基于多组学数据整合的方法不多,并且结果还有待提升。因此,我们有必要研究一种基于多组学数据整合的深度学习算法来实现对癌症分化度和亚型的分类预测。在本文中,我们提出了一种基于异质图神经网络的多组学数据融合算法（MOHGNN）,用于预测癌症分化度以及亚型的分类。模型的框架主要是由用于学习不同组学数据特征的图卷积网络（GCN）模块和用于多组学数据集成的图注意力网络（GAT）模块组成。我们采用了三种不同的组学数据,对于每一种组学数据,首先,分别使用卡方检验和最小冗余最大相关（m RMR）等算法对不同组学数据进行特征选择。然后,根据不同的组学特征分别构建加权患者相似性网络并且使用组学特征和相应的相似性网络对GCN进行训练。最后,使用GAT集成不同类型的组学特征并且进行最终的癌症分类预测。MOHGNN是一个端到端的模型,所有的网络模块都是一起训练的。为了验证MOHGNN模型的癌症分类预测性能,首先,我们采用5倍交叉验证的方法,分别将我们的模型与传统的机器学习模型以及目前流行的基于多组学数据整合的方法进行了实验对比。不管是在癌症分化度以及亚型的二分类结果预测上,还是在癌症分化度以及亚型的多分类结果预测上,我们模型所取得的实验结果都是要优于传统的机器学习模型以及基于多组学数据整合的最新方法。在乳腺癌亚型的任意二分类以及多分类预测上,本文模型分别取得了平均91.8%的ACC和73.5%的ACC。然后,为了选择模型中更有利于癌症分化度以及亚型分类的模块,我们又采用了5倍交叉验证来测试不同模块在测试集上的预测性能。最后,为了进一步测试模型的分类性能,我们在仅使用单种组学数据、同时使用两种组学数据以及同时使用三种组学数据的基础上对癌症分化度及其亚型进行对比实验,MOHGNN模型基于多种组学数据的癌症分类预测性能是最好的。