非编码RNA是一类不编码蛋白质的RNA,因此在很长一段时间里,它被认为是基因组上的“暗物质”。然而,随着研究的累积,科学家们发现只有约2%的RNA编码蛋白存在于人类基因组中,其余约98%的RNA不再继续翻译成蛋白质,而是以非编码RNA的形式存在各种生命过程中。Mi RNA是一类短序列非编码RNA。研究表明,lnc RNA和mi RNA之间的互相调控可能引起多种疾病的发生,lnc RNA、mi RNA本身也参与疾病的发生过程。因此,如果能够发现更多的lnc RNA-mi RNA相互作用和mi RNA-疾病关联,就可以通过mi RNA调控行为在分子水平上了解疾病机制,预防疾病发生。目前,通过生化实验的方法已经获得了一些lnc RNA-mi RNA相互作用数据和mi RNA-疾病关联数据,但是传统实验方法往往耗时耗力,而且没有方向性。值得庆幸的是,近年来,生物信息学这一交叉学科的出现使得机器学习方法在生物学研究中大放光彩。已经有许多有效的方法被提出用于相互作用的预测,并且都取得了优秀的成果。本文针对异质网络和机器学习在相互作用(关联)预测问题中的应用进行了深入的研究,主要工作如下:(1)针对lnc RNA-mi RNA相互作用的预测问题,提出了一种基于异质图推理的预测模型(SNFHGILMI),首先,我们计算了多个相似性数据,包括lnc RNA序列相似性、mi RNA序列相似性、lnc RNA高斯核相似性、mi RNA高斯核相似性。其次,采用相似网络融合方法对不同类型相似性进行整合,获得lnc RNA、mi RNA相似网络。然后,用lnc RNA相似性网络、mi RNA相似性网络和已知的lnc RNA-mi RNA相互作用网络构建一个二分图网络。最后,在二分图网络上采用异质图推理方法建立预测模型,预测潜在的lnc RNA-mi RNA相互作用。(2)针对mi RNA-疾病关联的预测问题,提出了一种基于多特征组合的集成学习预测方法MFXGBMDA。首先,计算mi RNA功能相似性,疾病语义相似性和它们的高斯相互作用属性核相似性作为原始特征。其次,根据疾病特征信息和mi RNA特征信息构建mi RNA-疾病对特征。然后,利用主成分分析法(PCA)降低特征维数,从原始特征中获得低维特征并且使信息损失最小化。最后,利用多组mi RNA-疾病对样本特征,基于XGBoost构建多个子分类器,整合多个子分类器构建集成模型预测mi RNA-疾病关联概率。