人类基因组测序的完成让蛋白质组学研究成为了生命科学的重要领域之一。蛋白质作用参与了人体的各个生命活动,例如遗传物质复制、基因表达控制、代谢等活动都依赖于蛋白质-蛋白质相互作用(PPI)。因此,对PPI网络的研究有助于人们系统地了解其多样的生物学过程,PPI网络在后基因组时代受到越来越多的关注。在如今科技的发展趋势下,高通量技术也在不断完善中,得益于高通量技术的发展提升,越来越多的PPI数据能够被收集起来。然而尽管其中部分蛋白质的功能已经被加以标注,但未被标注功能的蛋白质数目也随着不断被收集的PPI网络数据而日渐扩大。因此如何能够科学高效的标注蛋白质功能成为生物课题研究中的一个重点内容。在目前已经被收集的蛋白质数据中,有相当大一部分的蛋白质的特征信息已经明确,而更多的是仅仅存在于相互作用网络中的蛋白质数据,它们没有其他附加的特征信息来帮助预测功能。对于仅仅存在于相互作用网络中没有其他特征信息的蛋白质,我们无法直接用分类的方法去预测它们的功能,却可以考虑用网络嵌入的方法学习出PPI网络中每个蛋白质数据点的低维表示,并以此作为蛋白质的特征来预测蛋白质功能。而那些具有特征信息的蛋白质,我们可以考虑使用聚类方法,在去除数据中噪声的同时对蛋白质相互作用网络和特征信息进行分解,达到识别相互作用网络中功能模块的目的。因此,在本篇论文中,根据对PPI网络拓扑结构的分析、特征学习和稀疏表示、网络嵌入和非负矩阵分解等机器学习的理论知识,我们提出了两种有效的方法来对蛋白质的功能进行标注:(1)提出一种联合网络嵌入的多标签学习方法,来自动的标注蛋白质功能。首先,用边介数加权原始的PPI网络获得一个新加权的邻接矩阵,然后用ISOMAP算法将新的邻接矩阵嵌入到低维空间,获得每一个蛋白质节点的低维特征向量。然后再将蛋白质节点的低维特征表示放到多标签学习的框架上,形成多标签线性回归模型,同时在模型中引入了一个稀疏惩罚项来获得蛋白质数据最具代表性的特征。最后,考虑到一个蛋白质数据可能拥有多种功能,蛋白质功能之间会有相关性,我们在多标签学习模型中引入了一个功能相关性的正则化项。在PPI网络数据上的实验表明了所提方法的有效性,并且在与几种蛋白质功能预测方法的比较中,我们所提的方法也展现了更高的准确性。(2)提出了一种在非负矩阵分解框架上实现的识别PPI网络中功能模块的方法,在获得功能模块后再分别为每个模块内的蛋白质标注功能。首先,我们分解PPI网络的邻接矩阵得到模块隶属矩阵,并保持计算得到的期望边与原来的网络拓扑结构紧密一致。接着分解描述蛋白质属性的特征矩阵获得隶属度矩阵和模块特征矩阵,最后引入了排他群Lasso约束来学习每个模块最相关的特征。对于目标函数的优化,我们设计了一个有效的算法来迭代求解几个具有闭型解的子问题。在LFR合成网络和DIP数据集上的比较实验证明了所提方法相较于其他的模块发现方法更加准确。