生物体分子之间相互作用是一种复杂的生物机制,涉及到生物学中许多分子之间的非线性动态关系。如何更好地整合这些不同分子之间的复杂关系是一个具有挑战性的问题。lncRNA与miRNA是两类非常重要的非编码RNA,lncRNA是长度大于200个核苷酸的非编码RNA,另一方面,目前99%以上的lncRNA功能未知,这与lncRNA重要的生物医学价值之间存在着巨大的矛盾,如何快速推断lncRNA功能是当下生物信息学领域的热点研究之一。lncRNA与蛋白质互作是lncRNA最重要的分子作用机制,研究lncRNA与蛋白质的互作关系是探索lncRNA功能和分子机制的关键途径。传统的预测lncRNA与蛋白质互作关系的实验方法既耗时又昂贵。许多基于机器学习的计算方法已经被开发出来用于预测lncRNA与蛋白质互作关系。然而,发现lncRNA与蛋白质的互作关系仍然是一个挑战。而miRNA是长度约为22个核苷酸的非编码单链RNA分子,参与众多生物调控过程,与多种疾病密切相关,已成为新的疾病诊断与治疗的候选分子靶标。目前已知的预测miRNA与疾病关联仍非常有限,因此构建计算模型预测潜在的miRNA与疾病的关系是非常迫切的,具有挑战性的。我们的研究围绕lncRNA与蛋白质互作关系预测以及miRNA与疾病关联预测展开,分别构建了两个图神经网络模型用于lncRNA与蛋白质互作关系预测以及miRNA与疾病关联的预测。为了更好地集成异质网络信息,在本文研究的第一部分提出了一种用于LPI预测的多阶异质图神经网络模型HGNN＿LPI。首先,基于多阶邻域构建了一个lncRNA与蛋白质互作的异质网络,包括lncRNA与疾病关联关系、蛋白质与疾病关联关系、lncRNA与lncRNA互作、蛋白质与蛋白质互作和lncRNA与蛋白质互作;然后,应用异质图神经网络来捕获更深层次的语义和拓扑属性;从异质网络中提取特征后,进一步对不同分类器进行全面评估,选择最优的分类器模型;并将该模型分别与常用的同质网络表示模型和异质网络表示模型进行了全系统比较,验证了我们提出的模型的有效性;最后,开发了在线服务平台（http://hgnnlpi.com/）,为用户提供最大限度的可用性。在本文研究的第二部分,提出了基于分层异质图卷积网络的miRNA与疾病关联关系预测的模型HGCN＿MDA。主要工作包括:首先,收集了miRNA和疾病,miRNA和miRNA以及疾病与疾病之间的关联关系;然后计算节点在图中的属性并作为指标对网络进行分层,进一步构建多层网络分别提取节点的全局向量表示和局部向量表示,并根据重要程度对不同向量进行整合,最后采用全连接层构建预测模型,结果显示该模型具有良好的表现。