在药物发现、药物重定位和癌症治疗领域,精确识别基因组学数据和药物之间的关系具有十分重要的意义。多个研究显示,基因和药物之间的关系呈现“多对多”的共表达模块现象,而不是“一对一”的情况。这种共表达模块能够较为充分地展示复杂生物调控机制和药物之间的关联关系。然而,从海量数据中有效地发掘潜在的共表达模块的方法目前还有待完善。因此,本文对现有的研究算法进行综述总结,并且提出了一种新的基于网络分析的高维组学数据模块化特征匹配模型。本文首先介绍了共表达模块识别的研究意义和应用价值。之后,从机器学习角度提供了对于基于非负矩阵分解、偏最小二乘法和网络分析这三类前沿的共表达模块识别方法的详细评估。随后,针对这些方法存在的不足之处,本文提出了一种新的基于网络分析的高维组学数据模块化特征匹配模型并给出模型的求解方案。模型使用高阶张量相似度信息、超图先验知识网络约束和稀疏约束联合优化获取共表达模块。最后,实验结果和分析利用模拟实验和真实实验展开。通过在噪声污染和无关样本干扰两组模拟实验的对比,证明了本文提出的模型在这两种场景下都具有良好的性质。真实实验使用了在392种细胞系上的2091种基因表达数据和101种药物反应数据。通过和多个前沿的方法进行生物验证对比后,证明之后本文提出的方法拥有良好的性质,输出的结果具有生物学意义。本文提出模型的主要贡献在于:1)使用高阶张量相似度信息,这种反映多对多关系的张量削弱了输入数据中噪声和无关样本的干扰。2)将共表达模块的获取融入目标函数的迭代优化中,解决了目前方法解耦策略的缺陷。3)使用超图融合多个先验知识网络信息,这相比于单种先验知识网络提高了先验知识约束的效果。