随着生物医学数据的不断增长,人类对疾病的认识不断加深。在疾病相关标志物的研究中,疾病相似程度的量化以及疾病相关标志物的识别对解释疾病的致病机理和预后有着很重要的意义。由于疾病相关数据具有多样性和异构性,如何利用计算机方法高效地对疾病分子标志物进行分析及挖掘充满着挑战。本文针对疾病相关的分子标志物挖掘进行了深入的讨论和研究。主要工作内容包括以下四个方面。（1）研究了基于功能网络融合的疾病相似度计算方法。利用基因的功能关联来量化相关疾病的相似程度是计算疾病相似度的常用方法。但是在基因的功能关联网络中,目标基因不仅与相邻基因之间存在直接关联,而且与非邻基因有着间接联系。疾病相关基因之间的联系通常考虑的是基因的直接关联,忽略了间接联系。同时,相对于融合多种功能关联网络,单一的功能关联网络存在数据量和构建方法上的局限性。因此,本文提出一个基于基因功能关联网络融合的疾病相似度算法。首先,利用疾病本体术语对疾病相关基因进行注释;然后利用全局优化算法对多种基因功能关联网络中基因之间的权重进行重新计算;最后,根据疾病相关的基因注释信息以及疾病本体语义结构计算得出疾病之间的综合相似度。实验结果表明,相较于现有方法,基于功能网络融合的疾病相似度算法可以进一步提高计算的准确度。（2）研究了基于疾病以及文献关联的相关代谢物预测方法。目前,通过生物化学实验发现了大量的疾病与代谢物之间的关联。但是相比于疾病或代谢物的总量,疾病与代谢物之间的关联数量相对稀少。因此,在对疾病相关代谢物进行预测时容易出现数据稀疏问题,从而无法准确地预测疾病与代谢物之间的潜在关联。本文首先利用医学主题词以及疾病本体的疾病术语构建疾病词汇表,并利用疾病词汇表建立疾病术语与代谢物之间的映射关系;然后,结合疾病之间的相似度以及代谢物相关文献的关联度计算代谢物的综合关联,并建立关联网络;最后,基于混合推荐模型对代谢物与疾病之间的潜在关联进行预测。本文采用基于数据增量的验证方法选取了19种疾病对该方法进行验证,实验结果表明该疾病相关代谢物预测模型有较好的泛化能力。（3）研究了基于多种生物数据源的疾病与非编码RNA关联预测方法。在研究疾病与非编码RNA之间的关联关系时,疾病相似度常作为非编码RNA的特征关联用于非编码RNA关联度的计算。但非编码RNA的特征信息不仅仅是疾病,还包括其他信息。因此,综合利用与潜在标志物相关的多种特征可以更加准确地量化关联程度。为了跨数据源对疾病相关非编码RNA进行研究,本文首先对非编码RNA进行统一命名。根据数据源的不同特点,分别对长非编码RNA和环状RNA的相似度进行定义,并结合疾病与长非编码RNA以及环状RNA之间的映射关系构建由疾病与非编码RNA组成的多层网络。最后,基于多层网路的拓扑结构对疾病相关的非编码RNA进行预测。（4）研究了基于知识图谱的疾病潜在标志物预测方法。疾病相关的知识图谱中的疾病知识往往只包含某一种疾病特征。虽然可以对疾病相关特征有针对性地研究,但疾病特征的单一降低了对疾病实体的描述能力。本文对疾病相关数据集进行整理和收集。然后,通过对疾病关联信息的抽取、术语标注、知识合并,集成疾病相关实体之间的关系并构建疾病的知识图谱。通过对知识图谱中疾病相关信息的特征分析,基于图嵌入技术对疾病以及相关标志物节点进行潜在表征学习,并对疾病与潜在标志物关联进行预测。最后,实现疾病相关知识的关联挖掘可视化注释,有效支持人类疾病机理的深入理解。