关键蛋白质是细胞生理代谢途径的主要成分,在生命体发育和生存的过程中起到了不可小觑的作用。关键蛋白质的预测为我们了解细胞的基本需求以及发现潜在的药物靶标提供了很大的帮助。随着高通量实验技术的快速发展,获得的蛋白质相互作用(Protein-Protein Interaction,PPI)数据日益丰富,为关键蛋白质的预测提供了可能。近年来,基于PPI网络进行关键蛋白质预测的研究正受到人们的关注并成为新的研究热点。传统的生物实验方法预测关键蛋白质需要付出较大的成本,因此不少研究者利用计算方法进行关键蛋白质预测。然而,目前提出的预测方法仍然存在如下问题:(1)PPI数据中存在着大量的假阳性数据;(2)PPI存在着动态性和不确定性,并且会根据环境的不同而产生变化。以上问题的存在降低了关键蛋白质预测的精度。针对以上两个问题,本文基于PPI网络,深入挖掘网络的拓扑特征以及多源生物信息特征,提出了新的能有效预测关键蛋白质的算法。本文的主要工作如下:(1)针对PPI中存在大量的假阳性数据这一问题,本文融合网络拓扑特征以及多源生物信息提出了关键蛋白质的预测算法—DEP-MSB算法。该方法首先为网络中的蛋白质定义初始重要性分数,然后利用网络拓扑特征和蛋白质生物属性构建顶点的属性矩阵和权重矩阵,并运用Markov随机游走的方式,在游走的过程中对每个蛋白质的重要性分数进行修改。同时,利用梯度下降法对算法进行优化。最后,根据重要性分数将蛋白质进行降序排列,获得top-k个关键蛋白质。为了证明DEP-MSB算法的性能,我们在三种不同的酵母PPI数据集上进行了一系列实验,即:DIP、MIPS和MBD。实验结果证实,与其他最先进的关键蛋白质预测方法相比,DEP-MSB算法获得了很好的性能。(2)针对蛋白质间的相互作用大多是动态的、瞬时的这一特性,本文提出了在动态PPI网络中融合蛋白质复合物和生物信息预测关键蛋白质的算法—IEP-PCD算法。本方法首先利用基因表达谱和3-σ方法构建动态加权PPI网络。然后,基于关键蛋白质更倾向存在于复合物中这一提前,我们利用核心-附件结构在动态加权PPI网络中预测蛋白质复合物。最后通过预测的复合物和生物学信息来预测关键蛋白质。实验结果表明,在DIP数据集中,与其他预测蛋白质复合物方法相比,IEP-PCD算法预测的结果更加准确,同时,该方法能够预测出更多的关键蛋白质。(3)针对蛋白质间的相互作用存在着不确定性这一事实,本文提出了基于不确定PPI网络的关键蛋白质预测算法—ETB-UPPI算法。首先,该算法将不确定网络中的Simrank问题转化为确定性网络的Simrank计算。然后,利用Simrank方法计算PPI网络中的蛋白质相似性。最后融合Simrank相似度分数、GO相似性、Pearson相关系数和亚细胞定位信息构建一个得分函数来衡量蛋白质的重要性。通过在四个真实酵母PPI数据集上进行实验,结果显示ETB-UPPI算法获得了较好的预测结果。