关键基因是细胞存活和细胞繁殖必不可少的一组基因。研究人类关键基因可以帮助科学家揭示人类细胞的潜在生物学机制,还可以指导疾病的治疗。最近,人类关键基因数据的发布使研究人员可以利用已知人类关键基因的某些特征来使用机器学习分类器进行训练,并使用分类器预测新的人类关键基因。先前的研究发现,基因的本质与其在蛋白质间相互作用(PPI)网络中的特性密切相关。因此,本文基于网络表征学习对人类关键基因的识别展开了研究。本文主要工作如下:(1)在这项工作中,本文提出了一种通过将PPI网络进行网络嵌入来预测人类关键基因的新型监督方法。首先,本文的方法为获得节点在网络中的上下文联系在网络中进行了有偏置的随机游走。然后,将节点对输入到人工神经网络中,学习它们的表征向量,从而最大程度地保留节点的属性及其网络结构。最后,将这些网络表征放入SVM分类器中以预测人类关键基因。在两个人类PPI网络上的预测结果表明,与将基因序列信息或基因在网络中的中心性属性作为输入特征的方法相比,本文的方法具有更好的性能。而且,它还优于早先其他用于PPI网络表征的方法。(2)针对人类关键基因的网络表征,本文实现了不同类型的聚类分析。通过对两个人类PPI网络的关键基因网络表征进行聚类可视化和富集分析,进一步阐述了人类PPI网络具有模块性的特点并且证明了本文的方法能够更好的提取出人类关键基因的网络表征。(3)本文还将人类基因的DNA序列信息融入到网络表征学习的过程中,设计了一种网络表征集成模型。该模型通过将多个网络表征学习模型进行集成,成功提高了人类关键基因的预测精度。基于两个人类PPI网络数据集的实验结果表明,与仅使用网络信息作为分类器的输入特征相比,该集成模型拥有更稳健的性能。