近些年,随着人工智能技术的发展,不断涌现的高新技术在各行各业掀起了层层巨浪,生物信息学领域也在浪潮的推动下日益繁荣。毋庸置疑,处于大数据时代,数据在生物医学领域中占据着重要的地位。随着大规模高通量信息技术的发展以及当代科研素质的不断提升,高质量科研成果层出不穷。除此之外,国内外各种科研团队集中大量精力从文献中抽取生物医学实体关系,并逐渐形成了生物医学数据库。但是,目前仍存在两个显著的问题亟待解决。首先是由于科研数据数量庞大,各个组织命名规范不尽相同,致使相同的内容可能被赋予不同的名称,这对于之后的提取关键信息、进行数据集成会造成极大的困扰。其次是生物医学研究是一个多学科相互联系、相互补充的综合性课题,该课题囊括多个方向的内容,每个方向都在具体实践或者科研论文方面取得了优异的成绩,但各个方向几乎是割裂的,形成了“知识分裂”的现象。因此,为了解决上述提出的问题,本文旨在建立一套完备的数据整合标准,将分散的数据集融合在一起,之后构造完整的、高效的方法,挖掘出数据中所隐含的信息,其实质就是将割裂的多个方向的研究融合成一个体系,进行隐含知识发现,弥补目前生物医学研究领域的一个空白,为科研提供崭新的方向。当前,国内外生物医学界的科研人员在生物医学领域取得了丰硕的研究成果。在人工智能技术的强大助力下,生物医学领域内处于主流地位的关系挖掘方法主要有以下四类:(1)基于共现的方法;(2)基于规则模式的方法;(3)基于机器学习的方法;(4)基于深度学习的方法。由于机器学习算法和深度学习算法的强大学习能力,因此后两类方法正处于强劲发展阶段。除此之外,随着网络表示学习的蓬勃发展,基于网络嵌入模型的关系挖掘方法独树一帜,在领域研究内也逐渐占有一席之地。本文试图找到一种更新颖、更准确的方法来解决大规模数据融合下的隐含关系发现的问题。本文提出了一个从生物医学实体网络中进行隐含关系挖掘的方法BEIRNE-kNN:在嵌入部分,本文在融合了基于变分自编码器改进的网络嵌入模型SDNE与基于生成对抗网络的图表示学习模型GraphGAN的基础上构建了一个混合模型BEIRNE;在预测部分,本文使用了传统的机器学习分类算法kNN。首先,本文通过整合几大现有公开生物医学数据集CTD、Gene Ontology、HPRD、HMDD和MATADOR,构建了一个包含基因-疾病、基因-通路、疾病-通路、疾病-化合物、基因-基因本体、miRNA-疾病、化合物-蛋白质和基因-基因关联关系的网络。其次,本文使用提出的BEIRNE模型来训练网络中节点的向量化表示。再次,本文选择网络中的边作为正样本,并通过排序得出网络元路径中的候选节点对,从而得到负样本。最后,使用正、负样本训练分类算法kNN,进行链路预测实验,找出网络中不存在直接关系,但是含有隐含关系的生物医学实体对,并将预测出来的结果在PubMed上进行验证,证明模型的实际应用价值。在进行应用实验之前,本文将提出的方法应用在benchmark数据集OMIM中,进行生物医学特定领域的关系挖掘,即预测基因-疾病之间的关系,同应用在这个数据集的其它论文中的三种模型(Katz,Catapult和IMC)进行了比较,得到较为优异的表现,进一步论证了提出的方法的科研价值。