疾病基因的预测和发现有助于理解疾病的产生机理,对疾病的诊断和医治十分重要。传统的生物实验手段检测疾病基因费用高昂、耗时耗力且技术难度较高。因此,利用生物信息学方法对疾病基因进行预测,已成为预测疾病基因的重要方式。所谓疾病基因排序问题,就是指以疾病基因与疾病的关联程度为度量,对潜在的疾病基因进行排序,以衡量其可能致病或参与某个疾病过程的可能性,从而在生物实验中有针对性的进行验证。目前人们已经提出了各种类型的疾病基因排序方法,基于网络模型进行疾病基因排序是其中十分重要的一种,且其结果表明这是一类准确率较高的疾病基因排序方法。基于网络模型进行疾病基因排序的主要思想是,首先以某种方式构建网络,然后将已知疾病基因的信息映射到网络中,最后根据网络中候选基因与已知疾病基因的某种距离或相似性度量来对候选基因进行打分和排序。目前基于网络策略的方法多数都是基于以下假设,即所有疾病都与同一个分子间相互作用网络相关联。然而,很多疾病都趋向于在特定的组织中产生,且不同的组织其相关的分子间相互作用网络是不同的。本文使用一种新的网络模型进行疾病基因排序,这里的网络模型基于以下思想:对不同的疾病,不使用同一个分子间相互作用网络,而是针对每种疾病,确定与其关联性最强的组织,然后针对这种疾病使用相应的组织特异分子间相互作用网络,再进行后续的随机游走步骤。本文的随机游走方法使用了一种考虑网络间关系的度量指标衡量候选基因与已知疾病基因之间的距离。在网络上进行随机游走得到疾病基因排序结果,首先对方法的效率和参数进行分析,发现随机游走方法效率较高,可以在10次迭代以内收敛。其次将本文方法与PRINCE方法和BlockRank方法的比较,通过交叉验证说明了本文方法对疾病基因排序的准确性高于其他方法;然后在全局蛋白质相互作用网络上使用同样的随机游走方法,通过对结果进行交叉验证,发现使用组织特异性蛋白质相互作用网络对疾病基因排序的准确性有所提升,肌萎缩性脊髓硬化症对应的AUC值可以由0.758提升至0.876,甲状腺激素抵抗综合症对应的AUC值可以由0.788提升至0.852;最后以胰腺癌为例对实验结果进行文献验证,发现排序前10名的基因中有6个基因被文献证实与胰腺癌存在关联,可以认为本文工作对疾病基因排序与预测的结果较为可靠。