microRNA(miRNA)是一类由大约20到24个核苷酸组成的微小RNA,其在人体的基因表达水平上发挥重要调控作用。已有研究表明,miRNA与多种复杂疾病的发生发展都密切相关,因此挖掘潜在的疾病和miRNA的关联关系不仅能够为发掘复杂疾病的发病机理提供新的线索,同时也有益于未来指导临床药物研发。本文以挖掘miRNA-疾病之间的潜在关联信息为研究内容,提出了基于全局线性邻居的miRNA-疾病关联预测方法(GLNMDA),基于矩阵恢复和标签传播的miRNA-疾病关联预测方法(MCLPMDA),基于L1范数的图半监督学习方法的miRNA-疾病关联预测方法(L1SSLMDA)和自适应多视图多标记学习用于挖掘疾病相关的miRNA(AMVMLMDA)。四种方法都用到了miRNA的功能相似性数网络,疾病的语义相似性网络以及人类miRNA和疾病的关联网络,并且都是基于miRNA与疾病构成的异构图模型,采用半监督学习的方法来进行关联预测。不同的是,为了解决数据噪声问题,GLNMDA采用全局线性重构算法重构了miRNA的功能相似性数据和疾病的语义相似性数据,然后采用标签传播算法来完成预测任务。考虑到高斯核相似性是度量miRNA和疾病相似性的有效方法,MCLPMDA首先采用矩阵恢复算法来解决数据集不完整的问题,然后分别计算miRNA和疾病的高斯核相似性,然后将高斯核相似性和矩阵恢复算法恢复的完整相似性以及其恢复之前的相似性进行融合,最后采用标签传播算法来预测miRNA和疾病之间的关联信息。由于L1范数可以产生稀疏解,使用L1范数的目标函数可以为潜在的miRNA疾病关联提供更可靠的预测结果,因此我们提出了使用L1范数约束的半监督模型(L1SSLMDA)。L1SSLMDA首先根据最新版本的MeSH数据集和HMDD重新计算miRNA功能相似性和疾病语义相似性,然后在miRNA空间和疾病空间中迭代更新相似矩阵和关联矩阵,最后分别从miRNA空间和疾病空间获得的优化结果以合适的权重整合作为最终的预测结果。为了解决目前数据库中的数据噪声问题,AMVMLMDA会自适应的去学习一个新的相似性关系图,然后再根据多标记学习获得预测结果。交叉验证结果以及案例分析结果表明这四种方法都可以作为一个有效的工具来挖掘疾病相关的miRNA信息。