ClusterLLM是一种新颖的文本聚类框架，利用大型语言模型（如ChatGPT）的反馈来提升聚类效果。研究表明，结合LLM特征和聚类方法能显著改善聚类性能，并帮助用户在精度与成本之间取得平衡。此外，UCTopic通过无监督对比学习提高了短语表示的效果，展示了LLM在主题提取和语义分割中的潜力。

该研究提出了一个基于注意力机制的无监督对比学习框架（AMUCL），用于分析癌症多组学数据以识别和表征癌症亚型。DMACL模型用于学习多组学数据特征和聚类，并识别新的癌症亚型。该方法在单细胞和癌症多组学数据集上获得了较好的聚类结果，并揭示了AML的六个癌症亚型。通过GO功能富集分析和GSEA进一步提高了解释能力。