随着高通量实验技术手段的不断发展和完善，多种类型的分子生物学数据也在迅猛增加。比如基因序列数据、基因表达谱、功能注释、蛋白质相互作用关系、代谢路径以及基因调控通路等。基于复杂网络对高通量生物数据建模，运用计算方法从中挖掘致病基因已成为当前生物信息学研究热点之一。近年来，基于功能相关的基因导致相似疾病的生物学假设，涌现出了很多致病基因预测方法。这些方法通过识别网络中的稠密子图达到致病基因预测目的，倾向于研究拓扑关系连接紧密的致病基因。然而，生物学研究表明在人类已经发现的致病基因中有77.6%的为非必需致病基因，它们大多分布在基因网络的外围区域，并不是网络中的核心节点。因此，如何刻画拓扑关系连接稀疏的致病基因之间的关系，是致病基因预测有待解决的问题。另外，生物网络数据存在高噪声和假阳性等问题，而且人类生物过程是有方向性的，比如基因调控过程，这些因素在许多致病基因预测方法中是被忽视的。本文采用网络可控性的思想，提出了基于调控范围语义相似性的致病基因预测方法。由于基因调控网络可以有效刻画基因在疾病状态下的异常调控过程，因此基于该网络预测致病基因更加准确。运用调控范围度量基因在网络中的影响力，结合语义相似性计算候选基因导致疾病发生的概率，最终依据概率得分对候选基因排序。实验结果预测出LRP1是阿尔茨海默病潜在的致病基因，PRCK1与EGF是卵巢癌潜在的致病基因，并且发现拓扑关系弱的致病基因在调控范围上具有相似的生物功能，这表明调控范围语义相似性能很好地刻画非必需致病基因之间的关系。留一交叉验证结果显示本文提出的致病基因预测方法相比于PRINCE方法准确率提升了7.95%。