生物学研究和科学实验表明,miRNA影响人类复杂疾病的发生和发展。准确识别潜在的miRNA-疾病关联不仅可以增强对疾病分子机制和发病机理的了解,而且可以促进人类疾病的诊断和预防。由于传统生物学实验方法识别miRNA-疾病关联关系是非常耗时耗力的,所以预测潜在miRNA-疾病关联的计算方法备受关注。近年来,许多基于相似性和基于机器学习的关联预测算法模型相继被提出,但在所构建网络质量及所提取特征的表征能力上有待提高。针对此问题,本文将不同网络嵌入算法用于miRNA-疾病关联预测算法模型的搭建,并指出基于元路径的网络嵌入算法更能捕获网络中潜在结构特征和语义特征;为进一步捕获网络中潜在语义特征,将NLP中的Attention机制与网络嵌入算法中随机游走的核心思想相融合,设计了新的关联预测算法模型。主要研究内容和成果如下:针对网络质量不够高的问题,整合了miRNA-疾病关联的数据、miRNA功能相似性的数据、疾病语义相似性的数据、高斯核相似性的数据等多种生物学数据来构建高质量miRNA-疾病关联异构网络。针对特征表征能力不足的问题,利用相关网络嵌入算法在异构网络上捕获网络中节点间的全局结构相似性信息和语义相似性信息,生成具有较强表征能力的网络节点嵌入向量,并结合随机森林算法实现miRNA-疾病关联预测算法模型的搭建。相比于其他基于网络嵌入算法的关联预测模型,利用基于元路径的网络嵌入算法所构建的关联预测模型,AUC均值最高可达0.919,这表明基于元路径的网络嵌入算法在挖掘网络中潜在结构特征和语义特征的优越性。利用基于元路径的随机游走算法生成节点序列,引入自然语言处理中的Attention机制来捕获网络中节点间的语义相似信息和全局结构相似性信息,提出基于Attention机制的miRNA-疾病关联预测算法模型ADMDA。在模型验证和评估环节,ADMDA在五折交叉验证的框架下与其他几种经典算法模型相比,取得0.945的最高AUC均值,并在肾脏肿瘤和乳腺肿瘤案例分析中,取得卓越的表现结果。