目的:自人类基因组计划完成,研究人类疾病的作用机制,破解其遗传基础是目前生物医学研究的核心课题之一。随着生物信息学与计算机技术的快速发展,为了降低传统生物实验研究时间长、成本高等问题。研究人员基于大量的生物医学数据,利用计算机技术挖掘潜在的有利于疾病相关研究的信息被证明是一种非常有效的方法。当前,大多数的研究主要关注疾病致病基因的预测,对症状相关的基因预测研究相对较少。症状作为疾病最为直接可见的表征,研究其与基因之间的联系对医学理论研究和临床实践具有重要意义。基于异质网络的疾病基因关联关系预测模型是该领域的研究方向之一,然而这些模型对症状相关的基因预测存在节点特征利用不足,冗余信息处理效果差等问题。因此,设计性能优秀的症状-基因关联关系预测模型,有利于推动对疾病症状与其相关生物医学信息的研究。方法:本文提出了一种改进的基于异质网络表示学习的多关系图卷积模型（HMLP＿GCN）,用于症状-基因关联关系预测分析。首先,从HPO、Dis Ge NET、Orphanet等公开数据库和现有研究公开的数据集中,整理实验分析所需的生物医学数据。本文共整理了症状-基因关联数据、疾病-基因关联数据、症状-疾病关联数据以及蛋白质相互作用数据四个数据集。利用这四个数据集,分别构建了四个异质图网络（G1、G2、G3、G4）。由于图中节点数量与类型会影响模型最终的预测性能。本文基于R-GCN模型对四个异质图网络进行了模型测试。考虑R-GCN模型对图中节点的特征利用不足等问题,本文引入了异质多层感知器来处理同类型节点映射的问题。利用多层感知器在图卷积之前进行维度拼接,从而能够更好的处理节点的特征,使得图中同类型的节点有了聚类的特性,然后再利用R-GCN模型进行卷积操作以聚类不同类型的节点。最后,将HMLP＿GCN模型与三个基准模型在完整图G4和三个变体异质图网络上进行预测以评估模型的性能。结果:利用R-GCN模型对G1、G2、G3、G4四个异质图网络的模型测试结果表明,当图中节点数量和类型增加时,模型的预测性能提高了。但随着节点的数量和类型越来越多时,图中的冗余信息也随着增加,噪声数据变多会导致模型的预测性能下降。HMLP＿GCN模型与三个基准模型在完整图G4上的预测结果表明,HMLP＿GCN模型在AUC值、准确率、精确度、召回率以及F1-score等指标上分别取得了0.958、0.910、0.900、0.936、0.917的最优评分。与三个基准模型相比在AUC值上分别提高了4.8%、4.2%、5.8%,准确率上分别提高了3.8%、05.8%、1.3%。此外,HMLP＿GCN模型在G1、G2、G3、G4四个异质图网络上的预测结果同样取得了最优评分,实验分析表明HMLP＿GCN模型能处理节点数量和类型增多带来的信息冗余问题。结论:本文基于异质图神经网络构建了症状-基因关联关系预测模型。实验结果表明,本文的方法在症状-基因关联关系预测中与现有方法相比在节点特征和冗余信息处理方面有一定的优势之处,为症状相关生物医学研究提供了思路。