随着分子生物学的发展,通路分析以及疾病-通路关联关系研究成为研究热点之一。生物通路分析是系统生物学的重要组成部分,分子通路与整个生物体功能的细胞过程有关,异常的细胞行为是由有缺陷的信号转导触发的,这些异常的细胞行为会导致人类疾病。与传统的实验方法相比,基于计算的方法省时省力,多种计算方法已被用于研究信号转导过程以及通路和疾病、药物之间的关联关系。但现有的算法没有充分挖掘通路的生物特性,算法准确率仍需进一步提升。本文研究了通路和疾病、药物之间的关联关系,分别提出了新型的计算方法预测通路和疾病、药物之间的关联关系,算法准确性明显提升。同时,结合深度学习和卷积神经网络对通路和特异性蛋白质结构域之间的关系进行探究。主要研究工作如下:（1）描述与通路机制、特征和数据库特征注释相关的信息,讨论了与生物通路数据库中的数据存储和检索相关的研究现状,分析可用于检索生物通路分析的信号通路数据库的注释、特征和方法的不同技术。（2）提出了一种疾病-通路关联关系的预测模型RWRH。首先,构建疾病-通路异构网络,分别在通路相似性网络和疾病相似性网络上应用具有重启功能的随机游走算法挖掘种子结点,随后用PageRank算法进行排序打分,进而预测潜在的疾病-通路关联关系。（3）提出了一种基于已知药物-通路关联关系的新型药物-通路关联关系预测计算方法NCPHDPA。首先构建药物-通路异构网络,整合余弦相似性和Jaccard相似性计算疾病相似性和通路相似性,然后分别计算药物和通路网络的投影得分,进而预测药物-通路之间的关联关系。（4）提出了基于混合特征空间和深度学习算法来挖掘通路与特异性蛋白质结构域之间关系的方法。该方法收集了氨基酸组成、链转移分布、二肽组成和伪氨基酸组成等蛋白质特征,构建了深度神经网络提取特征,最后使用了不同的分类器进行关系预测,分析了各个分类器在该模型中的性能。（5）提出了利用卷积神经网络来挖掘特异性蛋白质结构域的方法。利用二肽偏离预期的平均值和二肽组成等信息作为蛋白质的特征,设计了一个多层的卷积神经网络,并比较了不同的神经网络目标函数优化算法。该算法能充分挖掘通路和特异性蛋白质结构域之间的关系,算法准确率较高。