近些年,随着癌症的高发,癌症已经不再是罕见的疾病。以癌症为代表的复杂疾病成为生物医学致力于攻克的一个重要课题。在预测疾病的致病基因方面,生物信息学的研究有利于发现这些复杂疾病的发病机理,进而促进药物研制的发展。因此,生物信息学领域给予了疾病基因预测越来越多的重视与研究。研究人员把海量的生物数据整合成了多种数据库,急切需要分析基因之间的相互作用关系。然而,目前已有的基于生物数据库的疾病基因预测算法不能满足该需求。因此,本文提出了一种新的构建基因相似性网络的思路,设计了一种网络聚合算法,用于构建基于基因表达关系和DNA甲基化关系的基因相似性网络,在该网络的基础上,又给出了一种疾病基因预测算法。本文提出的网络构建方法和疾病基因预测算法,是为了预测与疾病相关的潜在疾病基因,对疾病的治疗提供支持。本文首先阐述了疾病基因预测算法的研究意义及其发展现状,概述了网络知识和现有的疾病基因预测算法,分析了基因相似性网络的拓扑特性和与疾病基因有关的生物信息,对典型的疾病基因预测算法进行了研究,设计了一种对基因相似性网络进行聚合的网络构建算法,同时给出了一种疾病基因预测算法,使得对疾病基因的预测效果得到一定的提高。(1)对疾病基因进行预测首先要完成基因相似性网络的构建,通过对基因相似性网络的分析,本文提出了一种相似性网络聚合算法。该算法首先分别构建基于基因表达关系和DNA甲基化关系的两种基因相似性网络,然后将这两种网络进行相似性聚合,在聚合完成的网络中,节点表示基因,连边则代表基因表达和DNA甲基化两种作用关系的叠加。目前,该网络构建方法还没有被运用到构建基因相似性网络中。实验结果表明,聚合算法得到的基因相似性网络具有很高的拓扑特性,这说明网络比较稠密,能够更好地进行基因预测。(2)针对如何进行疾病基因的预测,通过对MCL算法的研究,结合多种生物信息,本文给出了一种基于MCL的疾病基因预测算法。在算法中,首先使用MCL算法把网络聚类成网络模块,然后采用基因得分公式计算候选基因得分完成疾病基因的预测。该算法在MCL算法的基础上对基因进行打分,能全面地度量一个候选基因与疾病之间的相关程度。使用该算法进行基因预测,发现疾病基因更倾向于集中在得分高的模块。更重要的是,在先验知识严重丢失的情况下,该算法也能很好的识别疾病基因。从OMIM数据库和PPI网络中筛选一部分初始基因集合作为本文的实验数据。使用留一交叉验证,在丢失50%的先验知识时,AUC值仍能维持在0.6以上。同时,与RWR算法进行对比分析,从预测基因的准确率看出,本文提出的算法对疾病基因的预测效果较优。