人类复杂疾病的机理研究一直是医学和生物学上的一大难题。目前,随着研究深入,研究者发现一些miRNA过表达或者低表达会导致正常细胞发生病变。这类miRNA已被作为治疗复杂疾病的用药靶点。2019年12月新冠肺炎（COVID-2019）的爆发对医疗卫生体系造成了前所未有的冲击。为发现有效治疗新冠肺炎的药物,目前已经有学者不断尝试使用治疗其他病毒性肺炎的药物来治疗新冠肺炎。使用传统方法针对特定miRNA和新冠病毒开发新的药物需要大量时间和资源。药物重定位针对已上市的药物发现其新的用药特性,为靶向miRNA药物和治疗新冠肺炎药物的研发提供一条现实可行的途径。目前,计算模型被不断开发出来以挖掘小分子药物与miRNA以及小分子药物与病毒掘之间的潜在关联。但如何融合多种生物数据提高模型的预测性能一直是研究的热点和难点。本文的主要研究工作如下:1.提出计算模型RWNS预测小分子药物与miRNA之间的关联。模型的预测过程可分为以下三步。首先,根据公开数据库信息构建了三个关联网络（小分子药物-miRNA关联网络,疾病-miRNA关联网络,小分子药物-疾病关联网络）和三个相似性矩阵（小分子药物相似性矩阵,miRNA相似性矩阵和疾病相似性矩阵）。然后,基于特征相似性构建可靠负样本筛选框架。最后,通过异构网络中非平衡的随机游走算法整合相似性数据,网络数据以及负样本筛选预测小分子药物与miRNA之间关联。实验结果和案例分析表明RWNS能够有效预测小分子药物与miRNA之间的关联。2.提出计算模型VDA-UBiRW筛选治疗新冠肺炎的药物。首先,VDA-UBiRW计算病毒的基因组相似性和药物化学结构相似性,构建病毒-小分子药物关联矩阵。然后,通过非平衡的随机游走算法筛选可能的新冠肺炎治疗药物。最后,实验结果和分子对接实验验证VDAUBiRW有效性。3.提出基于深度学习的计算模型SMiR-GCNN预测小分子药物与miRNA之间的潜在关联。SMiR-GCNN使用图神经网络提取小分子药物空间结构数据的子图向量。然后,基于卷积神经网络提取miRNA序列数据的子序列特征。最后,通过“神经注意机制”预测小分子药物与miRNA之间的关联。实验结果和案例分析表明SMiR-GCNN具有良好的预测性能。