在过去十年中,组学分析的快速发展使得研究者能够在全基因组水平上进行生物学相关研究。通过全基因组关联分析（genome-wide association study,简称GWAS）研究,已经鉴定出数以千计与表型相关的基因位点。然而,由于传统GWAS的局限性,对于遗传学界,基于GWAS结果阐明遗传疾病（genetic disease）的致病机制并进一步应用于药物发现仍然是一个巨大的挑战。众所周知,蛋白质-蛋白质相互作用（protein-protein interaction,简称PPI）网络在遗传疾病的发病过程中起着重要的作用。因此,基于现有GWAS数据,构建与遗传疾病显著相关的蛋白互作网络将是摆脱GWAS困境的有效方法之一。Hot Net diffusion-oriented subnetworks（简称Hot Net2）算法基于热扩散模型,不仅考虑单个基因的初始热度（反映遗传重要性）,还考虑了基因-基因相互作用的拓扑结构。该方法可以有效地获得网络中具有功能性互作的基因对,从而克服传统GWAS方法在阐明疾病发病机制方面的局限性。本研究基于Hot Net2模型,将基因与遗传疾病的关联强度（收集自STOPGAP数据库并进行标准化处理）和现有的人类PPI数据相结合,成功构建了与202种遗传疾病显著关联的蛋白互作网络,并通过疾病相似性检验、其它致病基因数据库检验和组织特异性检验证明了这些网络的有效性。本论文展示了基于Hot Net2构建的疾病相关蛋白互作网络的重要价值:分别从转录调控及蛋白质三维（three dimensional,3D）结构两个方面证明了这些网络有助于遗传疾病机制的解析及药物重定位。此外,本研究结果表明:通过疾病相关网络与非疾病性状相关网络的相似性比较,可以进一步促进疾病致病机制的探索。除推断遗传疾病的致病机制,本论文还展示了疾病相关蛋白互作网络在药物/药物组合发现中的应用效果。总之,组学时代的到来使得研究者们面临海量的生物医学数据,通过整合遗传学方法和高通量测序数据揭示了大量与遗传疾病相关的突变或基因。本论文的工作证明:结合GWAS数据和热扩散模型构建疾病相关蛋白网络,可以有效地解析遗传疾病并促进药物/药物组合的发现。从而为“后组学时代”,如何有效地利用大量累计的组学数据解析遗传疾病的发病机制及促进药物发现提供可行的“范式”,具有重大的生物学及医学意义。