研究表明,疾病的产生与microRNAs(miRNA)调控异常有关,发现疾病相关的miRNA有助于研究疾病发病机制和治愈手段。然而,通过生物实验方式获取准确关联关系,花费大,周期长。因此,通过计算方式预测疾病-miRNA关系成为目前研究热点,并具有重要意义。在目前疾病-miRNA关系预测研究中,利用已知的疾病-miRNA关系构建生物网络,对未知连接中存在潜在连接的可能性进行计算,并按照可能性分数高低进行排序,从而向实验人员推荐分数较高的候选miRNAs。本文在生物网络基础上,结合网络内部拓扑信息,对疾病-miRNA预测算法进行研究,主要是以下三个工作:(1)构建了疾病-miRNA双层网络,并利用网络嵌入方法结合网络中权重信息和连接关系信息,从而提出了一种基于网络表示学习的疾病-miRNA预测算法。在预测结果分析和经典算法对比中,证实了方法的有效性和优越性。(2)针对网络表示学习的预测方法,从不同的角度提出了两点改进。通过加入基因节点改进网络结构,增加了网络拓扑信息以及利用DeepWalk算法改变网络编码方式,避免了搭建相似网络。通过结果分析和算法对比,证明了改进算法的有效性,并能极大提高预测效果。(3)为了利用网络拓扑信息,提出了一种基于机器学习模型的疾病-miRNA预测方法。该方法基于外部数据计算的相似矩阵和内部挖掘的拓扑向量矩阵两个方面构造特征,从而融合了外部生物信息和内部拓扑结构信息。实验结果显示算法能有效预测疾病-miRNA连接,而且明显优于对比方法。同时,疾病案例分析中推荐的前30个候选miRNAs基本都能得到数据库证实。