分析微生物网络有助于发现微生物群落的相互作用关系,对理解其组建机制,结构功能,以及识别其中的核心物种至关重要。然而传统的微生物网络结构学习技术过于依赖节点之间的个体关联,难以捕获包含全局特征的高阶关系。为解决上述问题,本文引入网络嵌入技术,提出了基于网络嵌入技术的微生物网络结构学习方法。本文的主要研究内容包括以下几点:(1)构建高阶网络模块:基于真实数据集构建微生物相似性网络,并使用网络嵌入方法将该网络映射到低维空间,获得每种微生物的低维向量表示,通过对这些向量进行谱聚类最终得到嵌入模块即高阶网络模块。(2)环境因子相关性分析:分别开展嵌入模块、传统一阶模块、单一菌种与环境因子之间的相关性研究,证明了相比较单一菌种,嵌入模块和传统一阶模块与环境因子的相关性更强。(3)模块组成差异分析:通过计算嵌入模块与传统一阶模块之间的杰卡德相似度比较二者的组成差异。证明了嵌入模块包含的微生物群落特征信息与传统一阶模块不同,二者互为补充。(4)模块稳定性分析:通过计算嵌入模块,传统一阶模块以及单一菌种的基尼系数比较三者的稳定性,证明了嵌入模块比单一菌种和传统一阶模块更加稳定。(5)回归预测分析:构建基于XGBoost的回归预测模型,将嵌入模块、传统一阶模块、单一菌种在环境中的丰度作为特征输入去预测各项环境因子的指标,证明引入嵌入模块有助于提升预测模型的性能。研究结果表明基于网络嵌入的微生物网络结构学习方法可以有效提取网络的高阶关系。而利用网络嵌入技术构建的高阶网络模块可以作为微生物群落特征提取的一种潜在的新型生物标志物。