当前系统生物学的一个重要且新兴的话题是阐述清楚人类遗传疾病与致病基因的关系。随着高通量技术的应用和发展,产生了海量的基因和蛋白质相互作用数据。采用信息技术方法,从这些海量数据里提取和分析出有用的数据,对预测疾病基因和破译人类遗传疾病的基因基础和分子基础具有很大的价值,同时,对整个基因组学领域的研究都具有重要的理论和现实意义。有研究表明,导致同一疾病或相似疾病的基因在基因网络中倾向于相互作用,有研究者将这种现象定义为人类遗传疾病的模块特性。而蛋白质是由基因编码而成,因此可将蛋白质相互作用网络映射至基因网络中。基于这一特性,目前有许多方法,基于蛋白质相互作用网络、表型相似网络和基因-表型网络所构建的异质网络,来进行疾病基因的预测,但是都存在一些局限。目前,较好的基于异质网络的方法主要是基于随机游走的算法RWRH,该算法基于图论思想,将已知疾病基因做为种子节点随机游走,到达稳定状态后对候选疾病基因打分排序。然而,由于蛋白质相互作用数据的假阴性和假阳性,导致该算法存在较大局限。而本文认为,由于在生物数据资源中,大量的数据库通过文本描述了基因参与的生物过程或分子功能等,而这些文本构成了基因的语义信息。如果候选基因与疾病基因在语义上具有很大的相似性,那就可以通过考虑语义相似性数据来弥补蛋白网络中数据的不完整和噪声。研究表明,GO注释信息是一种非常有效的语义资源被用来进行致病基因的预测。所以,基于两种数据资源:蛋白质互作数据和GO注释信息,本文提出了一个新的方法RWRH-GO来预测基因与表型之间的关系,将GO语义相似性数据来优化PPI网络数据。通过比较我们的方法和其它方法,结果显示该算法的预测效果具有较大提升。此外,目前有一些针对RWRH算法进行改进的方法,包括上文提出的RWRH-GO算法,一般都是通过结合语义相似性、基因序列相似性、表达相似性、生物通路相似性等生物数据来对蛋白质相互作用网络进行优化,均取得了不错的效果,但较少有研究PPI网络本身存在的拓扑缺陷。为了更加深入的了解和研究基于异质网络的算法的优势与不足,本文采用一种统计调节方法,来对RWRH算法的排序结果进行后期修正,我们将其称之为RWRHD算法。实验结果表明,预测效果具有较大改善。综上所述,本文提出的RWRH-GO和RWRHD算法,都在于探索和讨论基于异质网络的RWRH算法存在的不足。这两种算法分别代表了两类方法,一类是结合其他比如GO语义相似性数据等生物学数据对PPI网络数据进行优化,从而增加整个异质网络的可靠性;另一类是本文所关注异质网络在用于预测致病基因时本身存在的拓扑缺陷,针对性的对数据进行了后期的修正。最后,通过上述研究,本文所提出的两种算法的有效性得到了验证。