自然界中许多复杂系统,如生物分子系统、生态系统等,皆可抽象成为复杂网络。近年来,随着生物技术的快速发展和后基因组时代的到来,大量真实的生物数据不断涌现,从系统水平对生物网络展开研究是当前生物信息学领域研究的热点之一,对于揭示生命现象本质以及疾病发病机理等具有重要的促进作用。当前,有关癌症等复杂疾病的研究是生物医学中极具价值和挑战性的课题,而完全基于生物实验来探索疾病发生的本质无疑是一项耗时且成本巨大的工作。因此,如何有效地利用海量组学数据并挖掘有价值的信息来辅助生物学研究,对于进一步理解和认识生命活动的内在规律等具有重要意义。生物分子网络作为一种特殊的复杂网络,它是利用生物组学数据研究各种生物现象的有力工具,基于生物网络的研究有助于系统的认识分子间的相互作用规律,同时也能够清晰地反映特殊状态下(如疾病发生等)各分子的行为特性和协同作用模式。本文以生物网络为主要研究对象,以数据挖掘、机器学习等方法为技术手段,在充分利用当前海量数据资源的基础上,主要针对人类复杂疾病致病miRNA的预测算法以及癌症特异的调控功能模块识别算法进行了研究,具体研究工作概述如下:(1)针对当前许多基于生物网络识别疾病关联miRNA的模型忽视了对不同网络拓扑特征和结构差异性等考虑的问题,通过分析发现,在由miRNA相似性网络、疾病相似性网络和miRNA-疾病已知关联信息构成的异构网络中,绝大部分已知miRNA-疾病关联被环状二分子图(CBG,circular bipartite graph)覆盖,因而基于大部分潜在miRNA-疾病关联也可能被CBG子图所覆盖的假设,提出了一种新的基于二分子图和非平衡随机游走的疾病miRNA预测算法BRWH。该算法首先利用疾病之间的语义关系以及已知miRNA-疾病关联信息等数据,分别对疾病之间的相似性和miRNA之间的相似性进行了评估,从而完成异构网络的构建;随后,根据不同相似性网络拓扑结构存在的差异,采用非平衡随机游走的机制来实现潜在miRNA-疾病关联的预测。实验结果表明,与现有经典算法相比,BRWH算法取得了更优的性能。(2)针对当前疾病相关miRNA的预测算法普遍对已知的miRNA-疾病关联信息过度依赖的问题,提出了一种基于多信息融合的miRNA-疾病关联预测算法KRLSM。由于现有的实验验证的miRNA-疾病关联信息十分有限,为了降低已知关联先验信息对模型性能的影响,该算法首先通过整合多种可靠的生物数据,并采用不同的相似性计算方法对疾病或miRNA相似性进行综合的评估,同时基于线性组合方式将对应的不同相似性矩阵进行整合,从而减小矩阵的稀疏性;随后,利用克罗内克积(Kronecker Product)矩阵性质将独立的miRNA空间和疾病空间合并为miRNA-疾病空间,并基于此空间应用正则化最小二乘法识别疾病miRNA候选。实验结果表明,KRLSM算法在已知miRNA-疾病关联较为稀疏的实验场景中同样能够取得较好的预测效果。(3)上述BRWH和KRLSM算法虽然在特定实验场景中预测效果较好,但是无法应用于新疾病和新miRNA的场景,或在该种场景中预测效果欠佳。针对不存在任何已知关联信息的新疾病或新miRNA的相关预测问题,提出了一种基于图正则化非负矩阵分解的疾病关联miRNA预测算法GRNMF。该算法首先通过借助新疾病或新miRNA在对应相似性网络中的邻居信息以及这些邻居对应的相互作用谱,采用加权K近邻谱的方式对原始miRNA-疾病关联矩阵进行更新;同时,为了保持原始样本空间的近邻几何特性,基于更新后的矩阵以及相似性网络,采用图正则化非负矩阵分解的方法来识别潜在的疾病关联的miRNA。与其他算法相比,GRNMF算法不仅在关联信息稀少的场景中预测效果更优,同时也能针对新miRNA或新疾病进行潜在miRNA-疾病关联的预测。(4)针对当前许多lnc RNA、miRNA等非编码RNA分子的生物学功能以及它们对应的调控模式仍然知之甚少的问题,提出了一种基于多维癌症组学数据识别调控功能模块的算法Ce Module。该算法有效地整合了lnc RNA/miRNA/m RNA表达谱,同时通过充分利用lnc RNA、miRNA和m RNA之间的互作数据,基于联合正交非负矩阵分解的框架将模块识别问题转换为一个目标优化问题,并采用L1正则化范数和基于网络的正则化约束条件来提高模块识别的准确性,最后利用交替迭代乘性更新算法对目标函数求解。实验结果表明,Ce Module算法所识别的调控模块不仅包含了许多与癌症相关的lnc RNA/miRNA/m RNA,同时这些模块也显著性富集于许多经典的生物过程或通路,通过生存分析也进一步发现了多个模块具有潜在临床诊断价值。