高通量实验技术产生了大量的医学网络数据,多个维度的网络数据为从整体角度对细胞功能进行研究提供了平台。检测网络中的分子功能模块可以帮助我们发掘疾病致病机理以及细胞运行潜在机制,对医学研究有重要意义。然而大多数的医学网络存在边链接稀少以及噪声链接等普遍问题;通过利用多源数据融合的方法,最大化的获取网络中有价值的信息,从而为医学临床提供帮助。因此,本文结合模块检测相关算法,利用多视图聚类的方法对医学网络的不同视图进行选择从而识别出医学网络的功能模块,通过模块分析预测分子功能。本文主要研究内容如下:第一,由于蛋白质互作网络连边稀少而且存在很多噪声链接,网络中的内部连边紧密的拓扑模块表现不明显。本文利用子空间学习的方法,通过将蛋白质互作网络中的节点进行线性自表达的方式,深入挖掘网络中任意蛋白质节点之间的相似性;融合经由人工审核过的蛋白质复合体数据,采用半监督的方法指导蛋白质功能模块检测模型学习更加精准的蛋白质模块隶属度矩阵。本文提出了SNFM算法,通过与传统的无监督聚类算法(例如k-means、NMF等)进行比较,在DIP网络中,ACC和MMR值达到了0.56和0.42,F1值相对于NMF算法提高了12%。在案例分析部分,我们选择了典型的5个模块,其中包含具有二部图结构的蛋白质功能模块;通过通路和GO功能富集分析,验证了SNFM算法在蛋白质功能模块检测方面的可靠性。第二,针对融合多个视图数据帮助蛋白质互作网络进行蛋白质功能模块检测的问题,首先对收集到的视图进行选择,通过基因-疾病和基因本体视图关系数据与蛋白质复合体数据的匹配程度,考虑到蛋白质互作网络结构稀疏且低秩的特点,融合基因本体视图,利用MLRSSC算法得到两个视图融合后的特征矩阵。同时利用网络图中共有邻居关系对先验信息重新表示,再使用非负矩阵分解进行聚类。结果表明,本文提出的算法SLRSSC优于SNFM算法,并且在BIOGRID数据库上,算法的F1值比多视图聚类算法MVCC提高了18%;在基因本体涵盖的三个方面,本文提出的方法在不同临界值下蛋白质复合体富集的比例也较高。第三,由于现有的疾病分类体系存在缺乏敏感性、特异性且边界模糊等问题,使得很难在实际应用中辅助医生对特殊疾病进行早期治疗。考虑到多个视图的疾病属性数据包含有更多的信息,本文提出融合多个疾病属性视图数据的方法来挖掘更多的有效信息以期待解决上述问题。该方法是采用逐级、从少到多的视图组合策略对不同的视图进行融合,并采用MLRSSC和MVCC多视图聚类方法,基于贪心策略选择不同视图的最优组合。通过实验,本文通过对多个视图的组合方式进行测试后,发现通过融合症状、蛋白质模块和生物过程这三个视图后,其疾病分类结果是最好的。为了验证本文方法的有效性与优越性,在实验中,我们将本文的方法与现有的疾病分类体系从共享基因、蛋白质模块、表型、基因本体术语等方面的相似性进行比较研究,最终发现本文得到的新的疾病分类结果要明显优于ICD结果,并且在相似度为0.5时,基因本体术语模块度值比基准方法的NCD结果提高了0.2。