随着生物学技术的迅猛发展,生物数据正在以几何数量级的速度增长。利用已知的生物网络和多源生物数据找到致病基因,对于了解疾病的发病机制、研发新型药物、制定精准医疗方案等都起到重要的促进作用。本文基于生物相互作用网络通过模块归一化及自适应跳转随机游走方法对致病基因进行预测,主要的研究工作和贡献如下：第一,当前大部分基于模块的疾病基因预测方法都是根据已知的模块或guilt-by-association假设进行预测,但这些方法往往忽略了致病基因在具体网络中的拓扑特性,并且没有考虑对网络中孤立节点的处理。针对以上问题,本文提出了一种基于模块归一化和表型本体的疾病基因预测方法(NMP)。首先,本文根据最新的疾病、基因表型本体数据对疾病和基因之间的相似度进行定义。然后,基于致病基因的模块聚集特性,本文将候选基因所处模块进行表型归一化处理作为候选基因的权重。最后,通过留一交叉验证和文献查找对NMP方法的有效性进行验证。实验结果表明,NMP方法优于传统的NetRank、NetScore、NetZcore、Flow、RWR和最新的NDRC方法。第二,当前尚不存在完整的蛋白质相互作用网络并且存在许多假阴性和假阳性数据,仅通过单个网络已很难提高预测致病基因的精度。研究表明,功能相关的多个基因发生突变往往会产生相似的表现型,因此将表型和蛋白质数据进行融合能够弥补已有数据的不足,提高预测的准确度。已有的基于异构网络的随机游走算法虽然取得了不错的预测效果,但是需要对跳转概率进行多次调整,不具有普适性。本文提出一种基于异构网络拉普拉斯正则化的自适应跳转随机游走方法(LSAR),对1428个已知的疾病基因相互关系进行留一和留二交叉验证。实验结果表明,LSAR方法不但减少了参数设置,并且预测效果优于传统的RWRH、CIPHER-SP、 CIPHER-DN方法和最新的RWRH-RE、RWRHN、LapRWRH方法。并且根据预测结果,我们对乳腺癌、糖尿病、肺癌、肥胖症四种疾病的致病基因做出预测。