近年来,随着计算机技术的飞速发展,生物信息学取得了长足的进步。如何从生物数据中挖掘出有用的信息,是生物信息学研究者们需要解决的问题。研究表明,从协同的角度对生物体内基因、蛋白、代谢物等特征进行研究有助于人们深入理解生物机体运行机制。本文提出了基于特征组合的随机森林算法RF-FC。该方法以特征的组合可以反映出生物体更为宏观的、系统的变化为出发点,在随机森林基决策树的分叉过程中不仅仅考察单特征的区分能力,还使用线性核支持向量机对所有特征对、特征三元组进行考察,从单特征、特征对、特征三元组中选取最佳方式进行结点的分裂。在14个公共数据集上的实验结果表明,本文提出的RF-FC算法的分类性能在大多数情况下优于随机森林。本文提出了基于Platt scaling技术和特征对得分的改进LC-k-TSP算法—LC-k-TSP-PlattCE。该方法在LC-k-TSP方法的决策阶段使用Platt scaling算法计算基分类器对未知样本的判别置信度,对每个基分类器依据对应特征对的第一得分进行加权。LC-k-TSP-PlattCE保留了LC-k-TSP的优点,采用k>0对特征的线性关系构建集成分类器,分类准则简单且易于获得生物学解释。在11个公共数据集上的实验结果表明,本文提出的LC-k-TSP-PlattCE算法的性能在大多数情况下优于LC-k-TSP,同时也优于支持向量机。本文提出了基于多种组合关系的生物网络构建与模块标志物发现算法MCR-Net。该方法以特征为网络的结点,使用单因素方差分析计算结点间+、-、×、÷四种组合方式的类间均值差异显著性p值,以最佳组合方式度量相应特征的协同作用,将对应的p值作为边的权重,构建能够反映生物体生理病理变化的生物网络。利用基于贪心思想的差异性模块搜索策略,搜索重要的网络模块。以模块本身的区分能力以及模块上支持向量机对未知样本判别的置信度为基础,将多个模块的信息有机融合,对未知样本分类。在18个公共数据集上的实验结果表明,本文提出的MCR-Net算法在大多数情况下优于其他流行的标志物选择算法。本文提出的方法都以生物特征间的协同作用为基础。算法在生物标志物研究和预测方面具有较强的应用价值。对三者的比较表明,基于MCR-Net算法的分类模型性能多数情况下较优,LC-k-TSP-PlattCE和RF-FC在解释性方面较好。