用途：把多组学数据整合为患者相似性空间，为每个组学构建患者×患者的相似网络，用 SNF 的跨网络扩散融合成一个图，再做谱聚类，得到候选分子亚型。
主要能力：per-omic 亲和网络构建（standardNormalization、dist2、affinityMatrix）、SNF 融合、estimateNumberOfClustersGivenGraph 给出四个聚类数估计、spectralClustering 划分、concordanceNetworkNMI 比较融合与单组学、rankFeaturesByNMI 事后特征归因、groupPredict 为新患者分配已有亚型。
必要用法：K 取约 20（10–30），sigma 取约 0.5（0.3–0.8），t_iter 约 10–20。注意 dist2 返回平方欧氏距离，需开方；affinityMatrix 第三参数名为 sigma；spectralClustering 的 K 是聚类数而非邻居数。SNF 要求完整数据，需先取交集并报告丢弃人数；部分缺失数据应改用 NEMO。
适用场景：完整多组学、希望非线性共识划分时用 SNF；部分/镶嵌数据用 NEMO；重视划分稳健性与自动定簇数用 PINSPlus；需要生成模型与特征选择用 iCluster；需要特征层面解释则转 MOFA/DIABLO。
限制：谱聚类总会返回指定簇数，亚型是待辩护的主张而非发现；需报告超参数、重采样稳定性、协变量校正后的 Cox 生存分离与独立队列复现；多组学并不必然优于最佳单组学，须显式比较。生存机制、单细胞图聚类、通路富集等由相关技能处理。版本参考 SNFtool 2.3+、igraph 2.0+、pheatmap 1.0+。