癌症是恶性肿瘤中最常见的一类,对人类健康危害极大。多数癌症发病隐匿,早期的临床确诊率低,因此亟需准确率较高的早期癌症筛查技术。结合基因技术和多组学生物大数据筛选癌症生物标志物,不仅可以对生物分子机制进行系统研究,也有利于多角度地揭示分子调控机制。然而面对海量的高通量数据,其处理和应用成为至关重要的环节。网络建模能够更好地揭示分子间的相互作用关系、展示分子间的调控系统。本文基于网络建模的思想,主要研究了基因互作网络疾病生物标志物的筛选、动态网络疾病演化机制和动态生物标志物的提取、癌症关键突变基因与预后效果的关系。主要内容如下:在第二章中,为了便于区分和预测癌症,本章提出一种基于基因互作网络和特征提取算法筛选生物标志物的方法。该方法结合了图论和机器学习优化的知识,其目的是满足提取的生物标志物准确率较高的同时数量尽可能少。首先,对癌症相关的基因表达、mi RNA表达数据通过差异表达分析获得差异基因,构建多关系的静态基因互作网络。进一步,应用组合筛选法确定最优的生物标志物集合。将该方法应用在肺腺癌数据中,得到6个关键生物标志物,包括CAV1、CCNA2、EZH2、RBP4、ITIH1和EGFR,获得潜在生物标志物CCNA2。最后,将该算法应用在4个独立的肺腺癌数据集用以检验其鲁棒性,得到验证结果准确率最低94.4%、最高100%,证明该方法可以在癌症临床阶段进行有效区分和预测。在第三章中,考虑到疾病的发展是一个动态过程,构建了疾病发展的动态网络模型,记为动态路径演化方法（DPE-Analysis）。该模型不仅可以描述疾病的演化进程,确定疾病的关键临界期,还可以通过网络溯源确定疾病的驱动基因。具体地,结合时序数据和通路间调控关系数据构建有向调控网络;提出了MCD-IHC算法和CCI评价标准寻找疾病演化路径;最后由改进动态网络生物标志（DNB）算法确定疾病临界期。将该模型应用在肝癌时序数列中,将肝癌有效分为3个阶段,筛选出的驱动生物标志物有JUNB、MYH7、MAP2K6、HSPA1B和COL15A1。该方法有助于研究者描述疾病进展,为筛选出具有驱动作用的癌症生物标志物提供研究思路。在第四章中,为了探究生物标志物对患者预后的影响,考虑到前两章筛选的生物标志物均为表达失调的基因、m RNA等生物大分子,故在本章中只对疾病突变基因进行研究。结合社会网络分析和Floyd算法构建突变基因互作网络,提出C-score法则获得关键的突变基因,进一步将其作为种子节点重构蛋白质互作网络（PPIN）,通过KEGG和GO分析验证关键突变基因的有效性,通过Kaplan-Meire方法和Tarone-Ware检验进行生存分析。应用在乳腺癌数据中,发现TP53-GATA3-PIKCA基因组合的形式对乳腺癌患者的生存率有显著影响。利用肺腺癌和肝癌数据验证了生物标志物对患者预后的显著影响,考虑将其作为进一步的临床验证手段。