在生物信息学研究中,识别与疾病相关的microRNAs(miRNAs)是一项重要但具有挑战性的任务。目前已有许多研究通过链接预测的方法来进行miRNA与疾病之间的相关性研究。然而,大多数研究主要关注于设计先进的方法来提高预测的准确性,而忽略了研究miRNA与疾病之间关系的联系。在第一项工作中,我们将邻域信息整合到神经网络中,来预测miRNA与疾病之间的潜在关联,与此同时我们还考虑到了数据集的不平衡。在我们的研究中,我们采用了一种新的计算方法——基于神经网络的模型来预测miRNA疾病相关性(NNMDA)。该模型通过整合多种生物数据资源来预测miRNA疾病的关联。通过与其他算法的比较,揭示了NNMDA的可靠性能。在5折交叉验证中,1 5种疾病的平均AUC评分为0.937,基于“留一交叉验证”的AUC评分为0.8439。结果表明,NNMDA可用于预测准确的miRNA疾病相关性。此外,在两种类型的病例研究中,将NNMDA应用于两种常见的人类疾病。在第一种类型中,前30个预测肺部肿瘤的miRNA中有26个被实验证实。在第二类病例研究中,我们通过隐藏miRNA与该疾病之间的关联信息,选择乳腺肿瘤作为测试样本。结果证实50个预测乳腺肿瘤相关的miRNA中有50个。此外,在基于神经网络的miRNA疾病关联预测(NNMDA)的基础上,我们进行了第二项工作。在第二项工作中我们整合了更多的数据(miRNA-基因关联,疾病-基因关联,基因基因关联),重新构建了更加复杂的的异构网络,在此之上又结合多任务学习,对算法进行了进一步改进,使其性能得到了进一步的提升。在五折交叉验证实验中,15种疾病的平均AUC值达到了0.954。此外,在两种类型的病例研究中,我们将MNNMDA应用于两种常见的人类疾病。在第一种类型中,前50个预测结肠肿瘤的miRNA中有46个被实验证实。在第二类病例研究中,我们通过隐藏miRNA与该疾病之间的关联信息,选择卵巢肿瘤作为测试样本。结果证实50个预测乳腺肿瘤相关的miRNA中有48个。此外,我们还对基因-疾病网络的重建效果进行了验证。所得到的结果很好的证明了MNNMDA预测的有效性和高效性。