肺癌是世界上致死率最高的癌症之一,肺腺癌（Lung adenocarcinoma,LUAD）是其最致命的一种亚型,严重威胁全人类的健康。准确识别肺腺癌疾病标志物对患者的早期诊断、预后和生存率的提高具有重要意义。随着高通量测序技术的发展以及人类基因组项目的实施,积累了大量隐藏着丰富生物信息的组学数据,为挖掘肺腺癌相关的疾病标志物提供基础。孤立分析某一类型的组学数据会割裂生物功能,如何基于多组学数据进行标志物分析有待进一步研究。鉴于基于网络拓扑特性和动态特性的网络分析方法在单层生物网络分析中取得的成功,本学位论文研究肺腺癌相关的多源组学数据融合以构建多层生物网络,基于该网络分别研究基于网络拓扑特性的功能模块挖掘算法和基于网络可控性的关键驱动节点挖掘算法,并运用于肺腺癌疾病标志物的识别。主要研究内容和成果如下:为使模型能够准确反映正常人和肺腺癌患者肺组织内生物信息,构建了融合多源组学数据的多层生物网络模型。选择GEO、FANTOM5、STRING和STITCH等数据库作为数据来源。针对各类数据的差异性,通过数据清洗、格式转换和标准化处理等操作,分别构建了正常人和肺腺癌患者肺组织的单层基因共表达网络、基因调控网络、蛋白质相互作用网络和代谢物相互作用网络。通过数据库查阅挖掘层间耦合关系,构建了准确反映正常人和肺腺癌患者肺组织功能差异的多层生物网络。通过类比单层网络提出了多层网络的模块度,并对多层网络Louvain算法进行了设计和推导,用以直接挖掘多层生物网络中的功能模块。使用common＿rate选择模块度参数?、?和筛选重叠功能模块,并对common＿rate大于0.5的两组正常人和肺腺癌患者的重叠功能模块进行了富集分析和差异分析。结果表明挖掘得到的标志物均与肺腺癌有密切关系,验证了所提算法识别肺腺癌疾病标志物的有效性。将基于PBH秩判据的最小驱动节点集求解算法用于肺腺癌疾病标志物识别。从经过扁平化处理的肺腺癌相关多层生物网络中挖掘得到最小驱动节点集。通过判断删除某一驱动节点对新网络驱动节点集的影响,将驱动节点分为重要节点、中性节点和非重要节点三类。利用拓扑特性分析确定了重要驱动节点的“中心”作用,进一步对重要驱动节点进行富集分析和差异分析得到了经数据库和文献验证的肺腺癌相关疾病标志物,该结果表明了所提方法挖掘肺腺癌疾病标志物的有效性。