蛋白质是生物体生命活动的物质基础,是细胞新陈代谢的重要组成成分,生物体内的一切生理过程都需要蛋白质的参与。然而绝大多数蛋白质并不能独立运作,而是通过与其他的蛋白质发生相互作用,共同完成某些特定的生物学功能。其中,一些蛋白质的缺失或者失效会导致生物体的某些正常生理功能受损,甚至无法生存,这类蛋白质被称作关键蛋白质。关键蛋白质是维持生物体正常生理功能不可或缺的物质,往往与致病基因和药物靶标密切相关,这对疾病诊断和药物分子靶标的设计具有重要的指导价值。同时,关键蛋白质的发现对揭示分子机制和生物学过程具有重要的意义。采用传统的生物学实验的方法识别关键蛋白质十分繁琐且成本昂贵,已经无法满足日益增长的需求。随着高通量技术的迅速发展,蛋白质相互作用（Protein-Protein Interaction,PPI）数据不断积累,涌现出大量的基于挖掘高通量生物学数据特征的计算方法来预测关键蛋白质。这些算法主要分为两类:一类是挖掘网络的拓扑结构特征;另一类是融合蛋白质的其他生物学信息。因此,如何有效的整合多源生物学信息,充分挖掘不同数据隐含的内在特征来有效的提高预测率是研究的一大热点。本文基于对PPI网络拓扑结构的分析,深入挖掘蛋白质的内在结构特性和生物学特征,提出了三种不同的预测关键蛋白质的方法,主要内容如下:（1）提出了通过基因本体注释信息过滤重建PPI网络的方法识别关键蛋白质。针对PPI网络的假阳性率较高的情况,采用基于基因本体（Gene Ontology,GO）注释信息的语义相似性度量来评估网络中蛋白质之间相互作用的可靠性,并设置合适的置信度阈值过滤网络中的假阳性数据,构建新的GO-PPI网络。选取六种中心性度量方法进行实验,数值结果显示在新构建的GO-PPI网络上的识别精度显著高于原始网络。（2）提出了融合GO注释信息、亚细胞定位信息、蛋白质结构域信息的方法预测关键蛋白质。首先通过蛋白质结构域的重要性来刻画蛋白质的结构重要性,然后采用GO注释信息、亚细胞定位信息和边聚类系数描述蛋白质的功能重要性,最后将两者有机的结合在一起构成新的预测方法TGSD。选取四组常用的酵母PPI数据集进行仿真实验,结果显示该方法能够显著的提升关键蛋白质的正确识别数量。（3）提出了融合多源生物学信息的方法识别关键蛋白质。考虑到仅仅依靠网络的拓扑性质识别关键蛋白质难以达到满意的精度,因此在网络的拓扑结构中融入蛋白质的其他生物学信息。而不同的生物学数据刻画的蛋白质特征不同,在PPI网络中同时融入蛋白质复合物信息、基因表达数据、GO注释信息、亚细胞定位信息和蛋白质同源性数据,提出一种新的预测算法CEGSO。多种信息的融合能够有效的降低PPI网络中的假阳性数据对预测结果的影响,同时使用差分演化算法寻找最优的一组最优的参数值,确定每种信息的权重,并在基准PPI网络上进行测试。仿真结果表明,在不同的测试数据集和不同的评价指标下,CEGSO比其他比较方法获得了更准确和鲁棒的结果。