由多个致病基因共同作用所导致的复杂疾病具有遗传模式繁杂、高发病率和高致死率等特性,这些特性使复杂疾病严重威胁了人类的健康。因此,研究复杂疾病的发病的机理是当前亟待解决的问题。复杂疾病又称多基因疾病,挖掘复杂疾病相关的基因有利于揭开复杂疾病神秘的面纱。根据中心法则可知,脱氧核糖核酸（DeoxyriboNucleic Acid,简称DNA）可以转录成为核糖核酸（Ribonucleic Acid,简称RNA）,而RNA又可以逆转录为DNA。基因又属于DNA中有遗传信息的片段。因此基因和RNA之间存在着重要的联系。同理,RNA与复杂疾病也存在一定的关联。所以,挖掘复杂疾病相关的RNA同样至关重要。通过传统生物实验的方法挖掘复杂疾病相关的基因和RNA虽然可信度高,但是人体内的基因和RNA不可胜数,利用生物实验的方法验证必将耗费大量的人力、物力和财力。而通过计算的方法从海量的基因和RNA中挖掘出高概率与疾病相关的基因或RNA,可以为研究人员进行的生物实验提供参考,即缩小了识别复杂疾病相关的基因和RNA的研究范围,相比单一采用生物实验的方法可以节省大量的资源。本文基于生物网络采用不同类型的计算方法挖掘了疾病相关的基因和circRNA（circlular RNA）,具体研究工作如下:第一,提出基于重构的蛋白质相互作用（Protein-protein interaction,PPI）网络的逻辑回归算法识别疾病基因模型。首先,针对传统的PPI网络通常具备度分布极度不均衡、稀疏和高噪声等缺陷,在PPI网络的基础上运行基于异构网络的的重启随机游走算法（Random walk with restart on heterogenous network,RWRH）算法计算了它的拓扑相似性,进一步重构了 PPI网络;其次,为了从多种生物学视角研究基因-疾病关联关系,在重构的PPI网络、蛋白质复合物、基因组织表达、Keywords信息以及基因的语义相似性数据中抽取了异构特征。最后,使用逻辑回归算法利用提取的特征识别疾病相关的基因。通过实验分析可知,该算法可以很好地从多种生物学视角挖掘疾病相关的基因。第二,提出基于异构网络的两轮随机游走算法识别癌症相关的基因模型。为了解决单一生物数据构建网络会忽视生物大分子多样性的问题,首先基于多种类型的生物学数据（PPI网络、通路基因网络、miRNA网络、lncRNA网络、癌症相似性网络和蛋白质复合物）构建了一个大型的异构网络。其次,基于相似的疾病很有可能与功能上相似的基因存在关联关系的现象,将不同癌症归为一个大的癌症类。然后,利用第一轮随机游走算法挖掘高概率的癌症类基因。并基于高概率的癌症类基因和其他类型的生物学数据构建一个新的异构网络。最后,在新的异构网络上采用第二轮随机游走算法识别特定的癌症相关的基因。实验结果表明,此方法相比领域中其他方法能够更好地识别癌症相关的基因。第三,提出基于异构网络的偏随机游走算法识别疾病相关的circRNA模型。首先,为了避免深度优先搜索算法耗费大量时间的缺点,提出了一种偏随机游走算法来搜索路径。此外为了弱化当前circRNA-疾病关联关系较少带来的负面影响,构建了由circRNA、靶基因、疾病和它们之间的关联关系组成的大型异构网络,在构建的异构网络借助circRNA-靶基因-疾病模式增强circRNA与疾病之间的关联。最终,在构建的异构网络上运行偏随机游走算法识别疾病相关的circRNA。实验结果表明,该算法可以很好地挖掘未知的疾病相关的circRNA。第四,提出基于多数据融合的circRNA-疾病关联关系预测模型。针对circRNA-疾病关联关系数据较少而导致预测出现偏差的问题,首先融合了 circRNA表达谱数据、疾病相似性网络数据以及多个数据库中circRNA-疾病关联关系,然后采用了改进的非负矩阵分解算法解决了该问题。在实验过程中通过交互网络分析可知,该算法在预测未知疾病相关circRNA上有着卓越的表现性能。综上所述,本文为两大模块,即预测疾病相关的基因以及circRNA,在每一个模块下分别提出两种计算方法。在对比其它方法对比以及预测未知的疾病相关的基因和circRNA上都取得令人满意的结果,对研究导致复杂疾病产生的基因和circRNA具有重要的意义。