了解疾病表型与药物间的关系是网络医学中的一个重要问题.随着疾病表型和药物相关数据的不断丰富,科学家们提出了许多方法,用来挖掘这些数据中的生物信息.在现有的方法中,基于网络的方法在识别不同生物实体间的相互作用关系上表现出其特有的优势.然而,这些基于网络的方法大多以疾病网络为中心,且很少考虑三种及三种以上的生物实体所构成的网络.因此,直接用这些方法来识别疾病表型与药物间的关系是不充分的,本文提出一种新的方法,称为基于异构网络中疾病表型和药物间最短路径的相关性预测算法(RSP),并使用该方法来识别疾病表型和药物关系.首先,该方法整合了来自三个不同类型的数据库中的疾病表型、基因和药物数据,根据这些数据,我们可以得到疾病表型和基因、药物和蛋白质靶标间的相互作用关系信息,基于所得到的信息构建了包含三种不同生物实体间相互作用关系的异构网络.从度分布、连通性及功能相似性等方面对构成该异构网络的子网络进行分析,探索了其与随机网络之间的差异性.然后,在该异构网络中,我们根据Dijkstra算法计算出疾病表型和药物间的最短路径长度,用于改进疾病表型类与药物类间的相关性系数,进而用于对具体的药物和表型间的相关性系数进行预测.鉴于相关性大小的显著差异性,我们使用约登指数(Youden’s index)确定合适的阈值,删除相关性系数小于阈值的药物和表型间的相互作用,达到更精确的预测效果.最后,我们分别使用AUC值、约登指数值和成功预测的药物-表型对的数目这三个指标评估RSP方法在识别疾病表型和药物关系上的能力,并证明RSP方法在识别表型和药物关系上的能力较其他方法(CIPHER、ProphNet和最短路径算法(SP))有优势.此外,我们还证明了所提出的方法对基因网络具有很强的鲁棒性,该结果表明我们的方法在实验药物的作用表型靶标的预测方面具有一定应用价值.