微生物与代谢物的关系对人类及自然界具有重要的影响,在人类的饮食、健康以及自然的发展中都起着重要的作用。预测微生物与代谢物之间的交互可以让人类更好地了解其作用原理,在已有信息不全面的情况下,通过计算方法来预测微生物与代谢物的交互,可以为人类识别微生物-代谢物交互机制提供更丰富的信息。尽管已有研究提出了多种预测微生物-代谢物交互的方法,但因为数据中普遍存在噪声,导致已有方法在性能上有所欠佳。本研究考虑到代谢谱和微生物谱矩阵数据的非负性,引入非负矩阵分解及多视角非负矩阵分解的降维方法,提出了基于生成网络模型的微生物-代谢物交互的预测方法。主要工作如下:第一,提出基于非负矩阵分解的生成网络模型,用以预测微生物-代谢物交互。考虑到代谢谱和微生物谱矩阵数据的非负性,首先通过非负矩阵分解分别将微生物和代谢物丰度矩阵进行矩阵分解,得到低维空间中微生物和代谢物丰度矩阵,从而可以有效减少代谢谱和微生物谱数据中的噪声。基于降维后的谱矩阵,通过生成网络模型得到单个微生物相关代谢物的条件概率以及微生物与代谢物的共现概率,最终通过共现概率预测微生物-代谢物交互。通过在囊性纤维化疾病实验的结果证实了应用非负矩阵分解能够有效提高生成网络模型的预测性能。第二,提出整合多视角非负矩阵分解与生成网络模型的方法,对微生物和代谢物的丰度数据进行联合降维,用于预测微生物-代谢物交互。多视角相比于单视角考虑了微生物与代谢物之间的潜在联系,能够有效融合微生物和代谢物不同视角的信息。应用多视角非负矩阵分解将微生物和代谢物映射到相同的低维子空间,再基于联合降维后的丰度表示,通过生成网络得到微生物与代谢物的共现概率,在预测微生物-代谢物交互的效果上取得了显著提升,表明考虑不同视角之间的潜在联系有助于预测微生物-代谢物交互。本研究表明,使用非负矩阵分解对丰度数据进行降维处理能够降低数据噪声,使用多视角非负矩阵分解能够体现不同视角数据之间的关联,这两种方法能够有效提高生成网络模型在微生物-代谢物交互预测上的性能。