自从在植物、绿藻和动物中发现大量的microRNA以来,生物医学研究人员对其产生了浓厚的兴趣。MicroRNA作为具有调控功能的非编码RNA,与细胞的分化、增值、衰老和凋亡有着密不可分的联系。对microRNA的深入研究将会影响到诸如细胞生物学和免疫学等多个生物医学基础领域。随着深入研究,发现microRNA与多种人类复杂疾病相关,如心脑血管疾病、神经系统疾病和各种癌症等。识别疾病相关的microRNA已经成为生物医学领域的重要研究课题。使用临床试验来确定致病microRNA会消耗大量的人力物力。因此使用计算方法预测致病microRNA成为新的热点。生物医学数据的日益丰富,数据挖掘技术的更新,为预测致病microRNA的研究提供了新的契机。本文拟从生物信息学角度出发,以microRNA为研究对象,通过计算方法预测microRNA与疾病的关联。主要研究工作概述如下:(1)现存的计算疾病相似性和microRNA相似性方法有很多,然而多数模型应用的都是单一相似性计算生成的网络。本文整合多种疾病相似性和多种microRNA相似性构建双层关系网络。实验表明,基于多重相似性构建双层网络有助于提高计算模型的性能。(2)本文提出一种基于投影非负矩阵分解的microRNA与疾病关系预测方法PNMFMDA(Projective Non-negative Matrix Factorization MicroRNA-Disease Associations)。首先将构建好的双层关系网络转化成原始关系矩阵,再利用投影非负矩阵分解模型对其进行分解。相对于现有的先进方法,五折交叉验证结果显示本文的方法可达到更高的AUC。对两种复杂人类疾病的案例分析也说明了模型的优越性能。(3)本文提出一种通用框架,称之为NCF(Neural network-based Collaborative Filtering)。结合矩阵分解和多层感知机模型成为NCF框架的一个有效实例,即NCFM(Neural Collaborative Filtering Method)。NCFM不仅实现了矩阵分解,而且利用多层感知机对NCFM模型增强非线性建模能力。另外,本文使用了一个更合适的损失函数,这种损失的优化目标是使已知关系在模型中的输出值高于未知关系的输出值。实验证明,本文的模型优于现存最先进算法。