得益于基因组学技术、高通量测序技术及生物信息分析技术的迅猛发展,研究人员能够获得海量生物数据对疾病进行深入研究,并在许多领域取得了丰硕成果。然而,对复杂疾病的认识,并未如人们预期那样获得革命性突破,以GWAS研究为例,目前所识别主效应的位点只能解释表型变异的部分遗传度,即遗传性缺失（missing heritability）现象。事实上,复杂疾病的发生发展,是由外在环境暴露因素、内在遗传因素相互影响所致,忽视基因—环境、基因—基因交互作用是导致遗传性缺失的原因之一。对生物组学数据的分析,常涉及数十万变量,是典型的“小样本、高维度”数据,即使是一阶交互作用分析,传统交互作用分析方法受算法复杂度高,多重比较校正力度大的影响,在全组学水平上应用受限,难以使用传统方法进行高阶交互作用分析。近年涌现出一些高阶交互作用分析方法,不同方法各有利弊。本文在树模型基础上,提出新的高阶交互作用分析方法（POINT,Path based highorder interaction detector）,将其与两种常用高阶交互作用方法在不同模拟情形下进行比较,讨论方法优缺点,并将POINT应用于肺癌GWAS病例对照数据,进行肺癌发病风险的全基因组高阶交互作用分析。全文结构如下:第Ⅰ部分,介绍POINT法原理和构建过程,并探讨POINT构建过程中的几个关键问题。模拟试验结果表明,FP树阈值越低,树模型深度越深、树数目越多,POINT检测能力越强,同时也意味着POINT消耗时间和识别交互组合数增加,综合考虑,FP树阈值设置为0.5,树深度设置为k+3,树数目与待分析数据集变量数有关,模拟研究中设定变量数为300时,树数目设置为150即达到POINT模型检测能力高点。第Ⅱ部分,比较了POINT、i RF和CINOEDV法在不同情形下的统计学性质,模拟结果显示,有主效应、无交互效应时,POINT和CINOEDV一类错误控制较好,i RF膨胀严重;在所有模拟情形中,POINT高阶交互识别能力最好,CINOEDV次之,i RF高阶交互作用检测能力较弱。第Ⅲ部分,将POINT应用于肺癌GWAS发病风险的高阶交互作用分析,在全组学水平下,发现60个最高3阶的交互组合,其中加性模型组合10个,非加性模型组合50个。第Ⅳ部分总结研究优点和不足,对未来研究作展望。