基因组学、蛋白组学、代谢组学等是系统生物学的重要组成部分,从基因组学、代谢组学等组学数据中确定反映机体生理病理变化的生物标志物对疾病的诊断与预警、药物靶点预测等具有重要意义。组学数据具有样本量小、维度高的特点,如何从中确定精准反映疾病发生发展的生物标志物是组学研究的重要内容之一。本文采用网络分析技术从组学数据中确定潜在的生物标志物,主要工作如下:提出了基于特征区分能力和网络影响力的特征选择算法FS-DANI。与疾病相关的生物分子（特征）往往位于生物网络中重要的功能模块并在模块中发挥着高参与作用。FS-DANI算法根据特征在不同类样本上有效范围的重叠区域评价特征的区分能力,基于特征相关性网络中模块的重要性和特征在模块的中心性衡量特征在网络中的影响力,最后将二者结合综合评价特征的重要性。本文在10个公共数据集上将FS-DANI算法与性能较好的单变量特征选择算法（Relief F、ERGS）、多变量特征选择算法（m RMR、SVM-RFE）和基于网络分析的特征选择算法（ATSD-DN、INDEED）进行了比较。实验结果表明,在大多数数据集上FS-DANI算法所选特征子集在准确率、敏感性、特异性上优于对比算法所选特征子集。提出了基于样本网络的特征选择算法FS-SN。根据样本在分子（特征）表达水平上的近邻关系构建样本网络,基于样本网络的拓扑结构评价特征的区分能力。区分能力强的特征会使得网络中同类样本间的连边多,不同类样本间的连边少。同时,FS-SN算法利用特征间的引力作用去除冗余的特征。本文将FS-SN算法与性能较好的单变量特征选择算法（Relief F、ERGS）、多变量特征选择算法（m RMR、SVM-RFE）和基于网络分析的特征选择算法（ATSD-DN、INDEED）在10个公共数据集上进行了比较。实验结果表明FS-SN算法能够筛选出与类标相关的特征子集,在大多数数据集上,FS-SN所选特征子集在准确率、敏感性、特异性上优于对比算法所选特征子集。FS-DANI算法和FS-SN算法均采用了网络分析技术从组学数据筛选重要特征,FS-DANI算法基于分子间的相关性构建生物网络,结合特征自身的区分能力和网络影响力综合评价特征的重要性;FS-SN算法根据样本在特征上的距离为每个特征建立样本网络,基于样本网络的拓扑结构评价特征的区分能力。实验结果表明了两种方法的有效性。在生物组学数据分析中,采用网络分析技术有助于从网络水平识别反映疾病发生发展的生物分子。