即使是在这个医疗和社会保障体系相当完善的现代社会中,人们的生命健康安全依旧被很多复杂疾病所威胁着,比如流行性传染病和癌症等。而往往这些复杂疾病在初期都表现得相对温和,但是会发生传染病大爆发或者病情突然恶化的现象。从系统生物学的观点看,这些现象就是复杂疾病系统随着时间演变的过程中出现了临界点。显然,探测各类复杂疾病的临界点对疾病防治工作具有重要意义。本文从系统生物学和信息生物学的观点出发,以动态网络标志物理论为基础,结合图形学和图卷积神经网络,对如何探测疾病临界点这一重要问题展开研究。本文的主要工作内容总结为以下三点:（1）对于流行性传染病的临界点探测,本文提出了基于最小生成树动态网络标志物的临界点探测模型。该模型首先是对传统的动态网络标志物指标计算进行了改进,引入了差分网络的概念来计算;其次通过最小生成树来降低网络中的噪声以提高模型的鲁棒性和抗干扰能力;最终通过一个逻辑回归模型来探测传染病爆发过程中的临界点。在东京流感和意大利新冠肺炎的临界点探测应用表明,无论是对于周期性或者突发性传染病我们的模型都能取得不错的效果。（2）对于癌症的临界点探测,本文提出了一种基于图卷积动态网络标志物的临界点探测模型。该模型首先在差分网络上的基础上引入信息熵来构建癌症样本相对于正常样本的差分局部网络熵特征（DLNE）,以提高对癌症样本之间差异性的捕捉能力;随后,以Weisfeiler-Lehman（WL）检验为基础,提出了一种多层感知器图卷积神经网络（MGCN）,并将其应用于融合DLNE特征的癌症基因数据集上来探测临界点。在四种TCGA癌症数据集上的实验结果都表明了我们模型的有效性,其中DLNE特征的提升平均为3.1%,而MGCN模型的提升平均有4%。（3）以上述两个模型为核心,本文实现了一个复杂疾病临界点探测在线系统,主要有传染病实时预警和癌症临界点探测两个功能。