POEMSは、異なる分子層（マルチオミクスデータ）を統合するための新しい無監督確率的フレームワークです。このフレームワークは、予測精度を保ちながら解釈可能性を提供することを目指しています。主な特徴は、スパース接続を利用して特徴を潜在因子にマッピングすることでバイオマーカーの発見を実現し、共通の潜在空間を通じて異なるオミクスの関連を可能にし、ゲーティングネットワークによって各オミクスの寄与を動的に計算することです。さらに、効率的なスパースデコーダーを提供します。癌のサブタイプ化に関するケーススタディでは、POEMSが競争力のあるクラスタリングと分類性能を達成し、バイオマーカーに基づく洞察と予測精度が共存できることを示しています。