微生物群落对人体的健康和环境的好坏有着巨大的影响。微生物群落的功能与群落组成息息相关,微生物高阶交互作用常常控制微生物群落的功能性。微生物网络具有模块性,模块对系统的稳定性和恢复能力十分重要,从模块的角度便于挖掘和分析复杂微生物群落的结构和功能。目前,关于微生物高阶相互作用关系和微生物高阶模块挖掘的研究较少,因此探究微生物高阶模块生物功能是当前微生物网络研究的迫切需求。本文在分析HMP开源的微生物丰度数据的基础上,利用信息熵构建微生物高阶逻辑关系,将满足特定条件的微生物组成一个三元组,作为超图中超边所包含的节点,构建微生物高阶交互关系超图;其次根据类内散布矩阵性质,重构超边相似度矩阵,用于超图聚类挖掘微生物高阶模块;最后引入进化博弈论思想,将超图聚类问题转化为非合作多玩家博弈问题,进而对微生物高阶模块进行挖掘。主要研究工作如下:第一,基于类内散布矩阵的微生物超图聚类挖掘微生物高阶模块。以往研究中的模块化聚类分析大多基于微生物之间低阶成对相互作用。本文利用信息熵计算人体内微生物三元组之间的逻辑关系,并在三元组关系网络基础之上构建超图,利用类内离散度越小类别可分类性越好的思想重构超边相似矩阵,提出了一种基于类内散布矩阵的超图聚类算法(HCIS)挖掘微生物高阶模块,并通过模块度最大化得到微生物高阶模块的最优聚类结果。实验结果和可视化分析验证了 HCIS算法在微生物高阶模块聚类分析中的可行性和有效性。第二,基于进化博弈论的微生物超图聚类挖掘微生物高阶模块。考虑到传统的分区聚类算法中使用模块度最大化来选取最优聚类数的方法存在一定的偏差,本文提出了基于进化博弈论结合类内散布矩阵思想的微生物超图谱聚类算法(HCGI),引入博弈论思想,将超图聚类问题转化非合作多玩家博弈问题。该算法可以在不事先指定聚类数目的情况下剔除模块中高阶关系强度表现不强的节点,自动生成合理的聚类。实验结果和可视化分析直观的证实了 HCGI方法高效可行,能够得到更优、更为保守的高阶微生物模块。