目的 探讨将生存结局加权的多组学数据整合方法survClust应用于胶质瘤(glioma)数据，以识别具有显著分子异质性和预后差异的胶质瘤分子分型。方法 采用survClust方法对中国胶质瘤基因数据库(Chinese glioma genome atlas, CGGA)的胶质瘤多组学数据进行结局加权整合分型，并拟合Cox比例风险模型评估不同分型患者预后。对不同分型间的差异表达基因(DEmiRNAs, DEmRNAs, DMGs)进行筛选，对DEmiRNAs靶基因、DEmRNAs、DMGs的重合基因进行GO功能注释；最后对不同分型患者进行免疫浸润分析。结果survClust将胶质瘤患者分为高危组和低危组，高危组患者的死亡风险是低危组的2.931倍。不同分型差异基因的分布存在差异，共筛选出194个DEmiRNAs, 3396个DEmRNAs, 1230个DMGs。将189个重合基因进行GO功能注释，得到52条差异具有统计学意义的GO生物项。此外，不同分型在B淋巴细胞、CD4+T细胞、CD8+T细胞、中性粒细胞、巨噬细胞和髓样树突状细胞的免疫浸润水平存在统计学差异。结论 结局加权整合算法survClust能够有效识别兼具分子异质性和显著预后差异的胶质瘤亚型，同时基于分型结果筛选出的潜在生物标志物将为胶质瘤的个性化治疗提供科学理论依据。