疾病一直以来都在威胁着人类的健康,研究表明微生物与疾病存在关联关系,这给理解疾病的复杂发病机理带来了新的研究视角。传统的生物实验方法发现疾病与微生物的关联存在周期长、成本高的困境。目前,已有许多研究使用机器学习算法来帮助生物实验揭示微生物与疾病的关联,但是这些算法的效果仍有待进一步提升。本文主要研究针对微生物与疾病关联预测问题的机器学习算法,研究内容概括如下:首先,本文提出一个基于多任务的神经网络模型（MTNN）预测肠道微生物与癌症免疫疗法疗效的关系。该模型学习与非小细胞肺癌和肾细胞癌的免疫疗法疗效有关联的肠道微生物丰度数据的特征,从而预测这两种癌症的免疫疗法疗效,实验结果表明MTNN模型具有较好的预测效果。其次,延伸到微生物影响疾病的预测任务,本文提出基于图卷积网络的微生物与疾病关联预测模型（GCNSMDA）来预测微生物与疾病的潜在关联。构建了一个包含微生物与疾病的异构网络,然后用图卷积网络学习异构网络中微生物和疾病的特征表示,再引入评分函数计算微生物与疾病的关联得分,从而预测微生物与疾病的潜在关联,实验结果表明GCNSMDA模型可以有效地揭示微生物与疾病的潜在关联。最后,为了改进GCNSMDA模型的预测效果,本文提出基于知识图谱的微生物与疾病关联预测模型（KGNMDA）。构建了一个以微生物和疾病为核心的知识图谱,并用图神经网络从构建的知识图谱中学习微生物和疾病的特征信息,再结合微生物与疾病的高斯相似性特征计算微生物与疾病的关联分数,从而揭示微生物与疾病的潜在关联。实验结果表明KGNMDA模型能更加有效地揭示微生物与疾病的潜在关联。本文提出了不同的模型来解决微生物与疾病关联预测问题,希望能辅助微生物与疾病相关的生物医学研究。