随着生物信息学的发展,现代社会对蛋白质（Protein）功能的理解与研究需求日益迫切,大多数蛋白质通过与其他蛋白质相互作用来执行其功能,因此对蛋白质相互作用（Protein-Protein Interactions,PPIs）的探索也已经引起了广泛关注。目前,PPIs数据中的已知蛋白质互作用关系密度非常低,无法满足生命科学实际应用的需求,大量的蛋白质互作用关系有待发掘。但由于生物实验时间耗费长和成本高的特性,现有的通过实验手段获得的PPIs数据呈现出高度稀疏的状态。此外,发掘关键蛋白质相互作用的重要性高于预测所有未知的蛋白质相互作用关系。因此,本文将重点研究关键蛋白质互作用关系预测,提出了基于变分自编码器（Variational Autoencoder,VAE）的算法来对高维稀疏的蛋白质互作用网络（Protein-Protein Interaction Network,PPIN）进行表示学习,主要的研究内容如下:首先,本文通过设置阈值的方法对数据进行预处理,构建了一个无向的关键PPIN,在基于高斯分布的VAE的基础上引入了信息加权参数,使得模型能够更好地对高维稀疏且不完备的PPIN数据进行表示学习。在VAE的原始损失函数中引入了一个正则化系数,采用了退火方法来更新该系数,此方法使得VAE能更适用于预测关键PPIs的场景。结果分析表明本文提出的算法在关键PPIs预测问题方面表现出良好的预测性能。其次,基于VAE良好的可扩展性,本文将VAE与Bagging思想相结合,构建了一个数据划分与概率求和体系结构,以此训练多个基预测器,将多个基预测器通过概率求和的方法集合成一个强关键PPIs预测模型。本文扩展了VAE的模型结构以提升算法的准确度与鲁棒性,同时也通过分布式计算有效降低了原方法的计算成本。最后,针对传统的超参数寻优方法的缺陷,本文将粒子群优化算法用于模型超参数寻优,使VAE模型实现了超参数自适应。这种更新方法降低了调参所需要的时间成本,使得模型能在训练过程中动态地调节超参数,同时也能让模型在训练中更快地往最优的方向优化。综上所述,本研究提出了一个关键PPIs预测算法与其改进算法,这些算法能高效地处理高维稀疏且不完备的PPIN数据。预测出来的关键PPIs信息不仅为挖掘新的PPIs提供理论依据,而且能协助人们了解蛋白质的功能和该蛋白质所承担的职责,有助于疾病的诊断和病理学的研究等。