疾病状态的准确识别是临床癌症研究一个极具挑战性的研究方向,癌症状态的识别对于癌症及时发现、治疗方案的设计及预后的生存分析都具有重要的意义。传统临床指标如雌激素水平、黄体酮等来识别疾病状态面临的困难是分类精度不高。随着基因组、转录组,蛋白质组、代谢组及其它各种修饰组学数据的出现,为癌症的分类提供新机遇。基于基因表达谱数据的分类方法研究可以分为二类:单基因分析,主要思想是根据全基因组的基因表达值构建分类器,其不足点是癌症标志物的一致性很差,不同的数据集得到的癌症标志物的重叠性较差;功能模块分析,随着蛋白质网络,代谢网络等生物数据不断的发展,基于转录组数据和网络的癌症识别方法研究是针对功能模块里的基因进行分析研究,已有的方法的主要是对基因在功能模块网络里表达差异分析,其缺点是没有考虑网络中基因间的相互作用关系。本文集合已有的方法,提出了一个基于基因和基因间互作通路活性(Pathway activity based on genes and their interactions,PAGI)的推断方法来挖掘重要通路中基因和基因之间的相互作用信息,并推断通路的活性。PAGI方法在单个重要通路上运行,通过捕获通路里单个基因信息和基因间相互作用的信息对基因表达值和基因间互作的表达值加权,这些信息具体包括单个基因的表达差异,基因间互作的类III型以及其强度。我们利用挖掘出来的信息在推断通路活性的过程中调整基因和基因间的互作权重。加权处理后使得显著基因和显著的基因间互作在两种表型上的表达差异更加明显,同时也削弱了正常基因和正常基因互作的信息。我们在七种癌症的分类问题实施PAGI方法,实验结果证明,不论是单个数据集的分类实验,还是独立交叉数据集的分类实验,PAGI方法都比现有基于单基因和基于通路的分类器得到了更精确的分类和更加鲁棒性的分类性能。PAGI方法能够识别具有鲁棒性的生物标记物,这些风险基因和基因间互作更可靠的指导癌症治疗方案选择和开发新的通路特异的治疗策略。