全基因组研究表明,基因组中有一小部分基因对于有机体的生存和繁殖不可缺少,这些基因被称为必需基因。必需基因对于维持生物体的生存和发育至关重要,如被敲除,将会导致其死亡或者不孕不育。对人类必需基因的识别不仅能够了解人类生存和繁殖的最低要求而且有助于寻找人类疾病基因和新的药物靶点。目前对必需基因的研究主要有两种方法,即实验方法和计算方法。实验方法预测必需基因虽有效但价格昂贵且耗时费力,开发高效的计算方法预测必需基因是对实验方法必要且有效的补充。传统的计算方法常以单一特征指标对人类必需基因进行预测,预测精度普遍不高。本文在充分利用已有的多种预测必需基因网络的基础上,提出了整合异构网络拓扑数据的思想,将多个异构网络通过重启动随机游走算法融合成一新网络。它充分考虑了基因在不同网络间的各种关联程度。实验结果表明整合异构网络拓扑数据方法比基于单一网络的预测模型能更准确地预测人类必需基因。本文主要从两阶段来介绍人类必需基因的预测。第一阶段是数据的前期收集与处理。在本阶段,首先是从DEG数据库和STRIGN数据库分别获取到人类必需基因、具有基因拓扑结构的六种异构预测网络。其次,利用重启动随机游走算法有效融合六个异构网络的拓扑数据,将六个网络整合成统一的基因预测网络,得到一个保留各个异构网络主要拓扑属性信息的低维特征矩阵。最后,以此矩阵作为训练样本,利用SMOTE过抽样算法解决训练支持向量机过程中的正负样本不平衡问题,训练得到基于支持向量机方法的人类必需基因预测模型。第二阶段是实验结果分析与评价阶段。本阶段首先是对训练结果进行分析,并依据实验结果不断进行参数寻优,寻找最优的预测模型。其次,使用准确率以及ROC曲线评价整合异构网络拓扑数据预测方法和各种单一网络预测方法的性能。实验结果表明整合异构网络拓扑数据方法预测人类必需基因的性能要优于各种单一网络。最后,基于同一异构网络拓扑数据,对比了循环神经网络模型与随机森林模型的必需基因预测效果,实验结果证明采用支持向量机模型对人类必需基因预测性能更优。